機器學習中的基礎知識（深入上篇）

（1）層就是神經網路中的神經元序列，可以處理輸入特徵序列或神經元的輸出。也是 tensorflow 的一種抽象化概念。層是將張量和配置選項作為輸入、輸出其他張量的 python 函式。一旦必要的張量出現，使用者就可以通過模型函式將結果轉換成估計器。

（2）學習率就是通過梯度下降訓練模型時使用的乙個標量。每次迭代中，梯度下降演算法使學習率乘以梯度，乘積叫作 gradient step。學習率是乙個重要的超引數。

（3）均方誤差就是每個樣本的平均平方損失。mse 可以通過平方損失除以樣本數量來計算。tensorflow playground 展示訓練損失和測試損失的值是 mse。

（4）模型就是機器學習系統從訓練資料中所學內容的表示。該術語有多個含義，包括以下兩個相關含義，第乙個含義就是tensorflow 圖，顯示如何計算**的結構。第二個含義就是tensorflow 圖的特定權重和偏差，由訓練決定。

（5）模型訓練就是確定最佳模型的過程。

（6）動量就是一種複雜的梯度下降演算法，其中的學習步不只依賴於當前步的導數，還依賴於先於它的步。動量包括隨著時間計算梯度的指數加權移動平均數，類似於物理學中的動量。動量有時可以阻止學習陷於區域性最小值。

（7）多類別就是在多於兩類的類別中進行分類的分類問題。

（8）nan trap就是訓練過程中，如果模型中的乙個數字變成了 nan，則模型中的很多或所有其他數字最終都變成 nan。nan 是「not a number」的縮寫。

（9）負類就是在二元分類中，乙個類別是正類，另外乙個是負類。正類就是我們要找的目標，負類是另外一種可能性。

（10）神經網路該模型從大腦中獲取靈感，由多個層組成，其中至少有乙個是隱藏層，每個層包含簡單的連線單元或神經元，其後是非線性。

（11）神經元神經網路中的節點，通常輸入多個值，生成乙個輸出值。神經元通過將啟用函式應用到輸入值的加權和來計算輸出值。

這篇文章我們給大家介紹了很多機器學習中深入的內容，這些內容都是需要我們了解之前的知識才能夠理解這些內容，所以大家不要偷懶或投機喲，要乙個步驟乙個腳印地來，這樣才能鞏固堅實的基礎儲備。希望這篇文章能夠給大家帶來幫助。