卷积神经网络的python实现

机器学习的目的：拟合模型 不是 推导模型 确定模型的东西不需要机器学习

特征属性：长宽高；标签属性：好坏  

机器学习得到的模型，本质上是得到从特征属性x到标签y的映射f:y=f(x,w)。预测标签与真实标签进行比较，以评判预测效果。评价模型好坏时必须使用新样本，模型预测新样本的能力称为泛化性能。评价一个模型泛化性能时采用的样本集称为测试集。

机器学习中的优化难题：

如何获得最优参数w,使模型f的泛化性能最好？

1.泛化性能与训练数据集密切相关（各种各样的西瓜，多种与任务相关的属性）

2函数形式（神经网络和支持向量机）

3.过拟合--对训练集有很好的拟合效果，对测试集拟合效果一般

噪声也学为样本的固有模式，一般采用正则化来缓解过拟合

欠拟合-模型训练容量太低

Numpy是python开源数值计算库，存储和处理大型矩阵很方便。