小记记记记

1.机器学习
监督机器学习          无监督机器学习    半监督机器学习
分类        回归      集群
支持向量机  线性回归  k-Means
近邻        决策树    隐马尔可夫模型
神经网络    神经网络  神经网络

2.Tensor
scalar（标量）：一个数值
vector（向量）：一维数组
matrix（矩阵）：二维数组
tensor（张量）：大于二维的数组，即多维数组

3.手写字体的识别流程
定义超参数
构建transforms，主要是对图像做变换
下载、加载数据集MNIST
构建网络模型
定义训练方法
定义测试方法
开始训练模型，输出预测结果

4.专业名词解释
（1）.参数与超参数
参数：模型f（x，&）中的&称为模型的参数，可以通过优化算法进行学习
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
把一个数据集循环进行几轮
（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，也称为滤波器，卷积的大小可以在实际需要时自定义其长和宽
（7）.池化层
对图片进行压缩（降采样）的一种方法
（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。
（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。
（10）.前向传播
（11）.反向传播
（12）.梯度下降法