在机器学习领域，一个轮次（epoch）指的是在训练过程中模型对整个数据集进行一次完整遍历。例如，若一个数据集包含 1000 个样本，且模型训练时的批量大小为 100，那么模型需要 10 个轮次才能完整遍历一次整个数据集。
在每个轮次中，模型会处理一批数据。它依据自身当前的权重和偏差进行预测。之后，模型会将这些预测结果与真实标签进行对比，并计算误差。接着，利用这个误差来更新模型的权重和偏差，以此提升模型的性能。
训练轮次的数量对模型的性能有着重大影响。如果模型训练的轮次过少，它可能没有足够的时间进行学习，进而导致性能不佳。相反，如果模型训练的轮次过多，它可能会开始过度拟合训练数据，使得在处理未见过的数据时表现欠佳。
因此，在机器学习中，为特定的模型和数据集确定最佳的训练轮次是一个至关重要的步骤。这可以通过诸如早停法这样的方法来实现。早停法是指一旦模型在验证集上的性能开始下降，就停止训练过程。