При обучении моделей машинного обучения часто возникает вопрос: сколько эпох нужно? Когда модель уже «поняла» данные, а когда она начинает запоминать их слишком точно (то есть переобучаться)?

В этой статье:

• Что такое эпоха
• Как понять, что модель переобучается
• Сколько эпох нужно
• Как выбрать и настроить обучение правильно

---

Что такое эпоха

Эпоха — это один полный проход по всему обучающему набору данных.

Допустим, у вас есть 10 000 примеров, и вы обучаете модель с batch_size=100. Это значит, за одну эпоху модель увидит все примеры по 100 штук за раз — всего 100 шагов.

Когда эпох несколько, модель повторно видит одни и те же данные, чтобы «отточить» предсказания.

---

Почему не всегда больше — лучше

Модель может начать запоминать примеры, а не учиться на них обобщать. Это называется переобучение.

Признаки:

• Ошибка на обучении (train loss) продолжает падать
• Ошибка на валидации (val loss) начинает расти
• Точность на тренировке высокая, на тесте — низкая

---

Как отслеживать переобучение

1. Делите данные на train и validation
2. После каждой эпохи измеряйте val loss и метрику (например, accuracy)
3. Стройте графики

Если val loss начинает расти — модель начала переобучаться, даже если train loss ещё падает.

---

Сколько эпох выбрать

Ответ: зависит от данных, модели и задачи. Но есть ориентиры:

• Маленькие датасеты → 5–20 эпох
• Большие датасеты → 2–5 эпох (модель быстро учится)

Что помогает:

• Early stopping — остановка, когда val loss не улучшается 2–3 эпохи
• Checkpoints — сохранять лучшую модель по val metric

---

Пример с EarlyStopping

from transformers import TrainerCallback

class EarlyStop(TrainerCallback):
    def __init__(self, patience=3):
        self.patience = patience
        self.counter = 0
        self.best_loss = float("inf")

    def on_evaluate(self, args, state, control, metrics, **kwargs):
        val_loss = metrics.get("eval_loss")
        if val_loss < self.best_loss:
            self.best_loss = val_loss
            self.counter = 0
        else:
            self.counter += 1
        if self.counter >= self.patience:
            control.should_training_stop = True

---

Вывод

Обучение — это баланс. Слишком мало эпох — модель не научится. Слишком много — начнёт переобучаться.

Следите за метриками на валидации, сохраняйте лучшие версии и не бойтесь остановиться чуть раньше — это часто даёт лучший результат.