深度學習專有名詞解釋

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