神经网络系列（1）——了解机器学习

准备

当然，首先需要有一个环境，以下的操作都基于

pytorch1.13，CUDA11.6，python3.9环境下进行

安装的内容等后续重新安装的话会再重新更新博客。

基本环节

1、准备数据：get_data函数，输入输出张量（数组）
2、创建学习参数：get_weight函数，提供以随机值初始化的张量，网络通过优化这些参数来解决问题
3、网络模型：simple_network函数，应用线性规则，为输入的数据生成输出，计算时先用权重*输入数据，再加上偏差。也就是一次函数：
$$y=wx+b$$
4、损失：loss_fn函数，评估模型好坏
5、优化器：optimize函数，调整初始时候的随机权重，帮助模型更准确的计算目标值

Pytorch大致编码结构

x,y = get_data()   # x:训练数据；y:目标变量
w,b = get_weight()  # w:权重  ； b:偏差   都叫做学习参数
for i in range(500):
	y_pred = simple_network(x)    # 计算线性回归模型函数
	loss = loss_fn(y,y.pred)   # 计算y和y_pred的平方差的和
if i % 50 == 0:            # 50次进行一次输出并调整参数
	print(loss)
	optimize(learning_rate) # 调整w，b；将损失最小化

了解一些机器学习术语

1、样本（sample）、输入（input）、数据点（data_point)：这些都是指训练集中的实例。

2、预测（prediction）、输出（output）：这些是由算法生成的值。

3、目标（target）、标签（label）：图像实际标注的标签。

4、损失值（loss value）、预测误差（prediction error）：预测值与实际值之间的差距。数值越小，准确率越高。

5、类别（classes）：给定数据集的一组标签。

6、二分类（binary classification）：把输入的实例归类为两个互斥的类别中的一类的分类任务。

7、多分类任务（multi-class classification）：把输入的实例归类为两个以上的的类别的分类任务。

8、多标签分类（multi-label classification）：一个输入的实例，可以用多个标签来标记。例如：图片中的对象检测，使用算法识别出图片中的不同对象。比如：多张图片分别有苹果，葡萄等标签。

9、标量回归（scalar regression）：每个输入的数据点，都与一个标量质量（scalar quality）相关联，该标量质量是数值型的。例子：房价预测，股票价格预测。

10、向量回归（vector regression）：算法需要预测不止一个标量质量。例子：当要识别图片中苹果的位置边框时，算法需要预测表示边框边缘的4个标量。

11、批（batch）：在批的输入样本集上进行算法训练。批的大小一般在2~256之间，设定取决于GPU的内存大小。

12、轮数：整个数据集运行一遍称为一轮，一个epoch。

以上。