در یادگیری عمیق، یک epoch به یک گذر از کل مجموعه داده آموزشی در طول فرآیند آموزش اشاره دارد. در طول یک epoch ، مدل هر نمونه را در مجموعه داده آموزشی پردازش می‌کند و پارامترهای آن را بر اساس گرادیان تابع ضرر به‌روزرسانی می‌کند. تعداد دوره‌های مورد استفاده در طول فرآیند آموزش، یک فراپارامتر است که قبل از آموزش تنظیم می‌شود و تعداد دفعاتی را که مدل کل مجموعه داده آموزشی را مشاهده می‌کند، تعیین می‌کند.
به عنوان مثال، اگر یک مدل یادگیری عمیق با مجموعه داده ای از 10000 نمونه آموزش داده شود و تعداد epoch ها روی 10 تنظیم شود، آنگاه مدل تمام 10000 مثال را 10 بار در طول آموزش پردازش می کند و در مجموع 100000 گذر به جلو و عقب از طریق شبکه.
تعداد epoch های مورد استفاده در طول تمرین، یک فراپارامتر مهم است که می‌تواند بر عملکرد مدل تأثیر بگذارد. epoch های بسیار کم می‌تواند منجر به عدم تناسب شود، جایی که مدل نمی‌تواند الگوهای موجود در داده‌ها را ثبت کند، در حالی که epoch های بیش از حد می‌تواند منجر به برازش بیش از حد شود، که در آن مدل بیش از حد به داده‌های آموزشی تخصصی می‌شود و در نمونه‌های جدید و دیده نشده ضعیف عمل می‌کند.