深度学习专有名词解释

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