是指所有的训练数据都要跑一遍。假设有6400个样本，在训练过程中，这6400个样本都跑完了才算一个epoch。一般实验需要训练很多个epoch，直到LOSS稳定后才停止。
中文名称是批大小，之前的6400个样本，如果送一个样本进去，就更新一次网络的权重，也就是在线学习。与之对应的，我们可以把一个epoch的数据，分批送进网络，可以加快训练时间。每次送多少进去，就是batch_size，假设把6400个样本，分成50次送进去，那么每一次就要送128个样本进去，即batch_size=128。
把一个epoch的所有数据分成了很多批，批数就是iteration，按上面的假设，iteration=50，每经过一个iteration，参数更新一次，可以理解为batch的个数。
样本总数=batch_size * iteration
（相当于传统训练中的batch）小样本学习在训练时，会分成很多次训练，每一次都要从所有类中随机选择一些类别来train（不放回抽样）。一般一个epoch含有多个episode，一个episode就是一次选择support set和query set类别的过程，即用选择的某几个类训练一次模型，下一个episode，再选择其他几个类训练模型。episode内部由两部分构成：support set和query set。
在构建episode时候，每个episode都会从全量数据中随机选择一些类别，比如C个类别；选定C个类别后，再具体在每个类别中随机选择K个样本，这便构成了support set，这样总共包含C * K个样本。一般而言模型会在这个上面进行一次训练。这样构造出来的任务便是C-way K-shot。
和support set类似，会在剩下的数据集样本中选择D个类（注意这里的类别是从对应的spport set类别选择，D≤C）采样一些样本作为query set，一般而言，模型在support set进行一次训练后，会在query set上求得loss。
一个episode包含一个support set和一个query set，一个episode对应的便是让模型在support set上进行学习后能够在query set上有比较好的预测表现。因此一个episode便对应为一个task。
通常而言，根据训练数据的规模大小，可以构建出来多个训练的episode，这些episode便可以称为meta-training set。
因为在meta training set的若干个task（也就是若干个episode）上已经训练好了一个模型，那么希望模型在一些新的task上也能有比较好的表现。因此，meta test set在数据构成上和meta training set完全一致，也包含了support set和query set，基本思想就是希望模型能够基于新任务下的support set，迅速抓住问题的本质，从而能够快速在meta test set中的query set上取得比较好的效果。
总体而言，这种类型的meta-learning，其基本单元是一个task，或者是一个episode，和普通的训练方法需要进行区分。下图便是一个5-way 1-shot的图片分类问题，每一行便是一个task，也是训练的episode，在support set中有5个类，每个类有1个样本，在test set有两个类（test set的类别须是对应的training set的子集），每个类一个样本。在测试模型训练效果的时候，便是希望模型能够在meta test set中的task上也能够取得比较好的效果。
