既然每个epoch的数据一样，为什么性能还会有提升

每个epoch的数据并不完全一样，因为在每个epoch中，我们通常会对训练数据集进行随机打乱，以避免模型过度拟合。这意味着，每个epoch中模型训练的样本顺序不同，因此模型实际上处理的是不同的样本组合。这样做的好处是可以使模型更好地泛化到未见过的数据上，从而提高模型的性能。

此外，多个epoch之间的性能提升也可能是由于模型在训练过程中逐渐学习到了更好的特征表示，或者参数优化的更加充分。在深度学习中，模型通常有大量的参数需要调整，因此需要进行多次训练来逐步优化参数。在每个epoch中，模型都会根据当前参数对训练数据集进行训练，并对参数进行更新。随着训练的进行，模型的参数会逐渐优化，从而提高模型的性能。

综上所述，每个epoch中的数据并不完全一样，并且模型在多个epoch之间逐步优化参数和特征表示，这些都是导致性能提升的原因。