1.參數與超參數
參數:模型f(x,)中的稱為模型的參數,可以通過優化進行學習
超參數:用來定義模型結構或優化政策
2.batch_size批處理
每次處理的資料數量
3.epoch輪次
把一個資料集,循環運作幾輪
4.transforms變換
主要是将圖檔轉換為tensor,旋轉圖檔,以及正則化
5.nomalize正則化
模型出現過拟合現象時,降低模型複雜度
6.卷積層
由卷積核建構,卷積核簡稱為卷積,也稱過濾器。卷積的大小可以在實際需要時自定義其長和寬(1*1,3*3,5*5)
7.池化層
對圖檔進行壓縮(降采樣)的一種方法,如max pooling,average pooling等
8.激活層
激活函數的作用就是,在所有的隐藏層之間添加一個激活函數,這樣的輸出就是一個非線性函數了,因而神經網絡的表達能力更加強大了
9.損失函數
在深度學習中,損失反映模型最後預測結果與實際真值之間的差距,可以用來分析訓練過程的好壞、模型是否收斂等,例如均方損失,交叉熵損失等