Done training -- epoch limit reached

这个信息通常意味着训练已经达到了预设的最大 epoch 数量，训练被停止了。Epoch 是指将全部训练数据集通过神经网络训练一次的过程。如果你的模型已经完成了预设的 epoch 数量，那么你可以停止训练，或者继续训练，但要注意过拟合的问题。如果你的模型在训练过程中出现了过拟合，那么继续训练可能会使模型过拟合得更严重。你可以通过监控模型在验证集上的表现来判断是否发生了过拟合。

相关问题

batch-size和batches-per-epoch

batch-size指的是每次训练模型时所选取的样本数，而batches-per-epoch则是指每个epoch中包含的批次数。

在深度学习中，训练数据通常是巨大的，一次性将所有数据作为输入进行训练是不现实的。因此，我们通常将训练数据分成若干个批次，每个批次包含一定数量的样本。这样，我们可以将每个批次作为一个小的数据集，用于训练模型。batch-size就是指每个批次中包含的样本数，而batches-per-epoch则是指每个epoch需要经过多少个批次。

通常情况下，我们会将整个训练数据集划分为若干个批次，并在每个epoch中随机选择一个批次作为输入进行训练。这样做有助于提高模型的泛化能力和减少过拟合的风险。同时，通过调整batch-size和batches-per-epoch等参数，我们可以更好地平衡训练速度和模型性能之间的权衡。

epoch-loss 和epoch_val_loss

epoch-loss 和 epoch_val_loss 是在深度学习中常用的指标，用于评估模型的训练和验证效果。

epoch-loss 是在模型训练过程中，每个 epoch 结束时计算的训练集上的损失，它反映了模型对训练数据的拟合程度。通常我们希望 epoch-loss 能够逐渐减小，表示模型不断优化。

epoch_val_loss 是在模型验证过程中，每个 epoch 结束时计算的验证集上的损失，它反映了模型对新数据的泛化能力。通常我们希望 epoch_val_loss 能够稳定或者逐渐减小，表示模型对新数据的预测效果比较好。

通过观察 epoch-loss 和 epoch_val_loss 的变化趋势，我们可以判断模型是否存在欠拟合或者过拟合，并对模型进行调整。