S4·模型训练
Epoch
Epoch 是模型完整遍历一次训练数据的单位。太少没学会，太多就过拟合——找到合适的 Epoch 数是训练的基本功。
① 一句话定义
Epoch（训练轮次）是模型完整看过一遍所有训练数据的过程。1 个 Epoch = 训练集中的每个样本都被模型用过一次。预训练通常只做 1-3 个 Epoch（数据量足够大，不需要重复看），微调通常做 3-10 个 Epoch（数据量少，需要反复学习）。
② 为什么重要
Epoch 数直接决定了训练时间和过拟合风险。Epoch 太少→欠拟合（模型还没学好），Epoch 太多→过拟合（模型开始"背"训练数据）。判断最佳 Epoch 数的标准方法是监控验证集上的 Loss——当验证 Loss 不再下降甚至开始上升时，就该停了（早停，Early Stopping）。
⑤ 常见误区
误区：Epoch 越多模型越好——预训练 Epoch 过多反而可能导致性能下降（模型对数据中的噪音"过拟合"）。Chinchilla 论文发现 1-2 个 Epoch 对大多数预训练场景已经足够。误区：所有数据集的 Epoch 策略一样——小数据集（几千条）需要多 Epoch（10-20），大数据集（几百万条）1-3 个 Epoch 就够。
「Epoch 是模型"把课本读了多少遍"——预训练读 1-3 遍就够了（课本够厚），微调可能需要读 5-10 遍（课本薄但需要深入理解）。关键是用验证 Loss 来判断什么时候该停。
」