- DATA:数据集,包括训练数据和验证数据集。
- Learning rate:学习率,是参数回归的步长,这个关系到学习模型的拟合程度,要根据模型和经验设定。
- EPOCH:训练次数,也就是训练的回合数。
- HIDDEN LAYERS:神经层,我们可以添加任意层数。
- UNITS:神经元,每一层的神经网络可以设置有多少个神经元。
- Ratio of training to test data: 丢失率
- Noise:噪音,就是给数据增加一些噪音,增加学习的难度。
- Batch size: 分批次学习的数量,比如32,一次将多少组数据学习,用来提高学习的效率。
- Activation:激活函数,最常用的就是relu
- Regularization:规则化,L1 L2两个级别
- Problem type:问题类型,就是我们要解决的是回归还是分类的问题。
另外关于神经网络学习的用途就是用数据来总结和验证规律作者有写。