每乙個epoch所有的樣本都訓練一次。最大的迴圈，迴圈訓練集所有樣本數量
訓練集每次選取batch大小的樣本數量進行訓練後更新權值。訓練集中選出batch大小樣本數量
每乙個迭代次數更新一次權值。
訓練集：前向傳播求得損失函式、反向傳播利用損失函式更新神經網路引數的權值。
驗證集和測試集只需要進行前向傳播
訓練集的存在是為了學習神經網路內部的引數，學習好之後用驗證集觀察效果
驗證集的存在是為了調整超引數（如開始人為設定好的初始學習率、層數、權值衰減係數、訓練次數等），訓練集和驗證集效果都好，用測試集觀察模型效果
測試集就是最終的模型泛化效果檢驗
**：正類
**：反類
真實：正類
tpfn
真實：正類
fptn
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...