有一天，师姐问我，epoch和iteration有什么区别？我一时语塞，竟然遍寻百度而不得，最后在*上找到一个我认为比较靠谱的答案，虽然它不是最高票，但是是最好理解的，深得我心。原答案在此：
http://*.com/questions/4752626/epoch-vs-iteration-when-training-neural-networks
简单起见，我用自己的语言描述一下：
epoch——使用整个训练样本集传播一次，一次传播 = 一次前向传播 + 一次后向传播。但是考虑到内存不够用的问题，训练样本们往往并不是全都一起拿到内存中去训练，而是一次拿一个batch去训练，一个batch包含的样本数称为batch size。
iteration——使用batch size个样本传播一次。同样，一次传播=一次前向传播+一次后向传播。
eg. 我们有1000个训练样本，batch size为100，那么完成一次epoch就需要10个iteration。
先上一张图，大家很熟悉的一张图。
首先说明一个概念：在caffe中的一次迭代iterration指的是一个batch,而不是一张图片。下面就主要说下2个概念
test_iter: 在测试的时候，需要迭代的次数，即test_iter* batchsize（测试集的）=测试集的大小，测试集batchsize可以在prototx文件里设置
test_interval:interval是区间的意思，所有该参数表示：训练的时候，每迭代500次就进行一次测试。
caffe在训练的过程是边训练边测试的。训练过程中每500次迭代（也就是32000个训练样本参与了计算，batchsize为64），计算一次测试误差。计算一次测试误差就需要包含所有的测试图片（这里为10000），这样可以认为在一个epoch里，训练集中的所有样本都遍历以一遍，但测试集的所有样本至少要遍历一次，至于具体要多少次，也许不是整数次，这就要看代码，大致了解下这个过程就可以了。
Caffe提供的示例中，通常有三个文件，solver.prototxt，train_val.prototxt以及deploy.prototxt。从名字也可以知道，solver.prototxt设置求解参数，用于设置训练时的一些全局参数。train_val.prototxt为网络配置文件，是用来训练网络的。deploy.prototxt是用来进行预测的。这两者差别在于deploy.prototxt没有数据层，但是指定了输入的数据形状。
那当我们训练好了一个模型之后，怎么用train_val.prototxt生成deploy.prototxt呢？如下：
1. 删除数据层(datalayer)，插入数据维度描述
2.删除损失层(loss)和精度层(accuracy)，插入概率层(prob)。
当然，数据如果训练时数据层涉及到预处理，可以保留对应的预处理层或者直接对图像进行预处理，再输入到网络(一般用这种方法)