1.参数与超参数
参数:模型f(x,)中的称为模型的参数,可以通过优化进行学习
超参数:用来定义模型结构或优化策略
2.batch_size批处理
每次处理的数据数量
3.epoch轮次
把一个数据集,循环运行几轮
4.transforms变换
主要是将图片转换为tensor,旋转图片,以及正则化
5.nomalize正则化
模型出现过拟合现象时,降低模型复杂度
6.卷积层
由卷积核构建,卷积核简称为卷积,也称过滤器。卷积的大小可以在实际需要时自定义其长和宽(1*1,3*3,5*5)
7.池化层
对图片进行压缩(降采样)的一种方法,如max pooling,average pooling等
8.激活层
激活函数的作用就是,在所有的隐藏层之间添加一个激活函数,这样的输出就是一个非线性函数了,因而神经网络的表达能力更加强大了
9.损失函数
在深度学习中,损失反映模型最后预测结果与实际真值之间的差距,可以用来分析训练过程的好坏、模型是否收敛等,例如均方损失,交叉熵损失等