epoch：训练时，所有训练图像通过网络训练一次（一次前向传播+一次后向传播）；测试时，所有测试图像通过网络一次（一次前向传播）。Caffe不用这个参数。
batch_size：1个batch包含的图像数目，通常设为2的n次幂，常用的包括64,128,256。 网络较小时选用256，较大时选用64。
iteration：训练时，1个batch训练图像通过网络训练一次（一次前向传播+一次后向传播），每迭代一次权重更新一次；测试时，1个batch测试图像通过网络一次（一次前向传播）。
三者之间的关系：iterations = epochs×(images / batch_size)，所以1个epoch包含的 iteration次数=样本数量/batch_size;
以Caffe的mnist为例（具体参数见相应的prototxt文件）：
training_images=60k，batch_size=64, maximum_iterations= 10k，test _images=10k，batch_size=100, test_iterations=100：
在这个参数设置下，训练时经历了10.6个epoch，测试时100次iteration（1个epoch）恰好可以遍历整个测试集。
注意：上面例子中如果训练时maximum_iterations= 10k，那么将会有10k×64=640k幅图像参与训练，乍一看这个是错的，因为640k远远大于训练集60k。事实上这是没问题的，当剩余的训练样本不够一个batch时，Caffe会带着这些剩余的样本然后重头开始再取一个batch。所以在设置Training和Testing的参数时需要注意，训练的某些参数可以不整除（比如10.6个epoch），但测试时设置的参数最好要能整除（测试网络时正好遍历完所有测试样本是最理想的情况）。
测试的时候，test_batch_size×test_iterations>number of test images也不会出错，甚至这样做也可以（这种情况下已经测试过的图像会组成新的batch重复测试），不过设置参数时最好还是test_batch_size×test_iterations=number of test images。
在caffe中很多预训练好的模型的iteration都是40000，fast_rcnn那个代码也是40000