神经网络算法

深度学习强调端到端，即输入是数据，输出直接是结果，简化中间的过程，只看结果，不考虑中间过程。
深度学习比的就是损失函数，通过损失函数去告诉模型要干什么。
图像数据是矩阵。
学习历史数据的规律、分布，新的数据分布也许会发生改变，股票等预测不现实。
好的论文：网络结构、损失函数（根据输入数据的特点）
batch_size越大，模型越稳定，如果为1，刚好有一个数据为离群点，那效果就会出现很大的偏差。
batchsize的意义就是多个一起算损失，越大误差越小，些时候有噪音点，batchsize越大，这个点的影响越小。



epoch训练轮数，类比打篮球，最先打得越多技术越好，但是打到一定程度就不再会有什么提升了。
BN：每过一层后，都要做预处理，让数据分布尽量保持不变，有利于学习。
全连接慢效果差。


特征是数值，计算机能够利用的信息。