在上一节课中，我留了课后作业，让大家查找model.fit的参数，并通过修改训练步数来提升模型效果，大家修改了么，有没有发现问题？
model.fit的epochs,代表训练轮次，表明对全体数据训练多少遍，当前我们设置为500时，模型计算2020+4040的结果为
1.0146133250389469
[[6065.705]]
不够精确，把epochs提升到1000呢？
还是不行，1500呢？
0.29349346797355924
[[6057.4795]]
仍然不行
这是怎么回事，为啥提升训练步数，模型的效果不能提升呢？难道模型已经优化到极致了么？
当然不是，下面，见证奇迹的时候到了
把epochs改回500，batch_size改为10，计算结果为
[[6059.9795]]
比之前的都要好！
这是为什么呢？原因很简单，batch_size代表模型一次学习的数据量，当batch_size为1时，模型一次只能学习一个数据，得到的信息量有限，容易被单个数据带着走，无法正确更新。当batch_size设置为10时，模型一次学习10组数据，可以更全面的更新。
如果把batch_size设置为50，结算结果变为
[[6060.652]]
设置为100，计算结果变为
[[6060.0483]]
如果你实际运行了代码，不难发现，当batch_size变大时，代码运行时间变短了，这是为何？
因为模型的更新次数变少了，模型更新次数=数据量/batch_size*epochs
至此，你对batch_size和epchos的用途已经有了基本了解。那么，怎么设置epchos和batch_size才是最优呢？这个没有固定答案，需要依赖经验，反复调试才行，这也是AI开发者被称为调参党的一个原因。
课后作业
1 通过代码，找到epochs 和batchsize相对较好的组合
