batchsize:每迭代一次，網路訓練圖片的數量，例如：如果你的batchsize=256，則你的網路每迭代一次，訓練256張圖片；則，如果你的總圖片張數為1280000張，則要想將你所有的圖片通過網路訓練一次，則需要1280000/256=5000次迭代。

epoch：表示將所有圖片在你的網路中訓練一次所需要的迭代次數，如上面的例子：5000次；我們稱之為  一代。所以如果你想要你的網路訓練100代時，則你的總的迭代次數為max_iteration=5000*100=500000次；

max_iteration:網路的最大迭代次數如上面的500000次；同理，如果max_iteration=450000，則該網路被訓練450000/5000=90代。

test_iter：表示測試的次數；比如，你的test階段的batchsize=100，而你的測試資料為10000張圖片，則你的測試次數為10000/100=100次；即，你的test_iter=100;

test_interval:表示你的網路迭代多少次才進行一次測試，你可以設定為網路訓練完一代，就進行一次測試，比如前面的一代為5000次迭代時，你就可以設定test_interval=5000;

base_lr:表示基礎學習率，在引數梯度下降優化的過程中，學習率會有所調整，而調整的策略就可通過lr_policy這個引數進行設定；

lr_policy：學習率的調整策略：

    - fixed: 保持base_lr不變.

    - step: 如果設定為step,則還需要設定一個stepsize,  返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter      表示當前的迭代次數

    - exp:  返回base_lr * gamma ^ iter， iter為當前迭代次數

    - inv: 如果設定為inv,還需要設定一個power, 返回base_lr * (1 + gamma * iter) ^ (- power)

    - multistep: 如果設定為multistep,則還需要設定一個stepvalue。這個引數和step很相似，step是均勻等間隔變化，而multstep則是根據stepvalue值變化

    - poly:  學習率進行多項式誤差, 返回 base_lr (1 - iter/max_iter) ^ (power)

    - sigmoid: 學習率進行sigmod衰減，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

momentum：表示上一次梯度更新的權重;

weight_decay:表示權重衰減，用於防止過擬合；

iteration： 資料進行一次前向-後向的訓練

引數舉例： 假如有1280000張圖片，batchsize=256，則1個epoch需要1280000/256=5000次iteration，它的max-iteration=450000，則共有450000/5000=90個epoch，而lr什麼時候衰減與stepsize有關，減少多少與gamma有關，即:若stepsize=500, base_lr=0.01, gamma=0.1,則當迭代到第一個500次時，lr第一次衰減，衰減後的lr=lr*gamma=0.01*0.1=0.001,以後重複該過程，所以stepsize是lr的衰減步長，gamma是lr的衰減係數。