進行機器學習的很多人容易被神經網路中的各種名詞或者概念搞懵，這篇文章將帶你了解這些名詞或者概念的含義，以便你能更好更全面的了解它們。
神經元（node）：它是神經網路的基本單位。它獲得一定數量的輸入和乙個偏置值。當訊號（值）到達時會乘以乙個權值。如果神經元有4個輸入，那麼就有4個權值，權重可以在訓練時調整。
神經網路中單個神經元的運作
偏置（偏移）：它是神經元的額外輸入，它始終為1，並具有自己的連線權重。這確保即使所有的輸入都為空（全部為0），神經元也會啟用。
啟用功能（傳遞函式）：啟用函式用於將非線性引入神經網路。它會將值縮小到較小的範圍內。sigmoid啟用函式的壓縮範圍為0到1之間。在深度學習中有許多啟用函式可用，relu，selu和tanh均優於sigmoid啟用函式。
啟用函式** -
基礎的神經網路布局
輸入層 ：神經網路中的第一層。它需要輸入訊號（值）並將它們傳遞到下一層。它不對輸入訊號（值）做任何操作，並且沒有關聯的權重和偏置值。在我們的網路中，我們有4個輸入訊號x1，x2，x3，x4。
隱藏層：隱藏層具有對輸入資料應用不同變換的神經元（節點）。乙個隱藏層是垂直排列的神經元的集合（representation）。在我們給出的影象中有5個隱藏層。在我們的網路中，第一隱層有4個神經元（節點），第2層有5個神經元，第3層有6個神經元，第4層有4個，第5層有3個神經元。最後乙個隱藏層將值傳遞給輸出層。隱藏層中的每個神經元都與下一層的每乙個神經元有連線，因此我們有乙個完全連線的隱藏層。
輸出層 ：著是網路的最後一層，它接收來自最後乙個隱藏層的輸入。通過這個層，我們可以知道期望的值和期望的範圍。在這個網路中，輸出層有3個神經元，輸出y1，y2，y3。
input shape ：它是我們傳遞給輸入層的輸入矩陣形狀。我們網路的輸入層有4個神經元，它期望1個樣本的4個值。如果我們一次只提供乙個樣本，我們網路的期望輸入形狀是（1,4,1）。如果我們提供100個樣品，則輸入形狀將為（100,4,1）。不同的庫期望形狀的格式是不同的。
權重（引數）：權重表示單元之間連線的強度。如果從節點1到節點2的權重比較大，意味著神經元1對神經元2的影響比較大。權重降低了輸入值的重要性。當權重接近零時意味著更改此輸入將不會更改輸出。負權重意味著增加此輸入會降低輸出。權重決定了輸入對輸出的影響程度。
前向傳播
前向傳播：前向傳播的過程是向神經網路饋送輸入值並得到我們稱為**值的輸出。當我們將輸入值提供給神經網路的第一層時，它沒有進行任何操作。第二層從第一層獲取值並進行乘法，加法和啟用操作，然後將得到的值傳遞給下一層。在後面的層中執行相同的操作，最後我們在最後一層得到乙個輸出值。
反向傳播
反向傳播：前向傳播後，我們得到乙個被稱為**值的輸出值。為了計算誤差，我們將**值與實際輸出值進行比較。我們使用損失函式（下面會提到）來計算誤差值。然後我們計算神經網路中每乙個誤差值的導數和每乙個權重。反向傳播使用微分學的鏈式法則。在鏈條法則中，首先我們計算對應最後一層權值的誤差值的導數。我們稱這些導數為：梯度，然後使用這些梯度值來計算倒數第二層的梯度。重複此過程，直到我們得到神經網路中每個權重的梯度。然後從權值中減去該梯度值，以減少誤差值。這樣，我們就更接近（下降）區域性最小值（也就是說最小的損失）。
學習率：當我們訓練神經網路時，我們通常使用梯度下降法來優化權重。在每次迭代中，我們都使用反向傳播來計算每個權重的損失函式的導數，並從這個權重中減去它。學習率決定了你想要更新權重（引數）值的速度。學習率不能太低導致收斂的速度緩慢，也不能太高導致找不到區域性最小值。
精確率和召回率
準確率：準確率是指測量值與標準值或已知值的接近程度。
tp是真正的陽性，tn是真陰性，fp是假陽性，fn是假陰性
混淆矩陣– 維基百科：
在機器學習領域特別是關於統計分類的問題，乙個混淆矩陣（也稱為誤差矩陣），是一種特定的**布局，它讓你可以將演算法的效能視覺化（通常在監督學習中使用，在無監督學習它通常稱為匹配矩陣）。矩陣的每一行表示**類中的例項，而每一列表示實際類中的例項（反之亦然）。這個名字源於這樣乙個事實：它很容易看出系統是否混淆了兩個類（通常是錯誤地標記成另乙個）。
混淆矩陣
收斂：收斂是指迭代進行時輸出越來越接近特定值。
正則化 ：用於克服過擬合問題。在正則化中，我們通過在權重向量w（它是給定演算法中的學習引數的向量）中新增l1（lasso）或l2（ridge）範數來懲罰我們的損失項。
l（損失函式）+ λn（w） – 這裡λ是你的正則項，n（w）是l1或l2範數
歸一化：資料歸一化是將乙個或多個屬性重新調整到0到1的範圍的過程。當你不知道資料的分布或者當你知道分布不是高斯函式(鐘形曲線)時，歸一化是一種很好的解決方法。它有助於加速學習過程。
全連線層 ：當一層中的所有節點的啟用進入下一層中的每個節點時。當第l層中的所有節點連線到第（l + 1）層中的所有節點時，我們將這些層稱為完全連線的層。
全連線層
損失函式/代價函式：損失函式計算單個訓練示例的誤差。代價函式是整個訓練集的損失函式的平均值。
模型優化器：優化器是一種用於更新模型中權重的搜尋技術。
效能指標：效能指標用於測量神經網路的效能。準確率，損失，驗證精度，驗證損失，平均絕對誤差，精確率，召回率和f1分數都是一些效能指標。
批量尺寸 ：通過前向或反向訓練的示例數。批量尺寸越大，你需要的記憶體空間就越大。
訓練次數：模型接觸訓練資料集的次數。每一次等於一次通過前向或反向的所有訓練例項。
關於「寫作」你需要了解的
寫作技能 writing skill 是言語技能的一種形式。指控制和調節寫作活動進行的心智活動方式。在寫作過程中形成。包括構思技能 表達技能和修改技能。與寫作知識密切相關，但又有區別。寫作知識是一種有關寫作程式的操作性知識，對寫作活動只起定向作用。言語技能的一種形式。控制和調節寫作活動進行的心智活動...
Fiddler 你需要了解的
官網 平台 支援所有作業系統和瀏覽器，對window支援比較好 主要功能 工作原理 系統 不過如果fiddler非正常退出，這時候因為fiddler沒有自動登出，會造成網 頁無法訪問。解決的辦法是重新啟動下fiddler.同類的其它工具有 httpwatch,firebug,wireshark 啟動...
網際網路你需要了解的
一些自己的感悟，之前自己太不努力了，現在開始努力學習，將一些感悟體會，學習到的分享出來 之前一直沒有理解，只是侷限於web的前後端，原來ios和android開發其實就像是web的前端一樣，頁面的跳轉，彈窗，提示，展示 前端是使用者直接去使用的，感官很強，會有一些簡單的處理，但是其實主要還是介面流暢...