机器学习专有名词归纳

归纳了一些在机器学习中经常遇到的专有名词

• 特征： 模型的输入
• 样本： 用于训练流程的输入/输出对
• 标签： 模型的输出
• 层级： 神经网络中相互连接的节点集合。
• 模型： 神经网络的表示法
• 密集全连接层 (FC)： 一个层级中的每个节点都与上个层级中的每个节点相连。
• 权重和偏差： 模型的内部变量
• 损失： 期望输出和真实输出之间的差值
• MSE： 均方误差，一种损失函数，它会将一小部分很大的差值视作比大量很小的差值更糟糕
• 梯度下降法： 每次小幅调整内部变量，从而逐渐降低损失函数的算法
• 优化器： 梯度下降法的一种具体实现方法（“Adam”优化器是 ADAptive with Momentum 的简称，并且被视为最佳优化器）
• 学习速率： 梯度下降过程中的损失改进“步长”
• 批次： 在训练神经网络的过程中使用的一组样本。
• 周期： 完全经过整个训练数据集一轮
• 前向传播： 根据输入计算输出值
• 反向传播： 根据优化器算法计算内部变量的调整幅度，从输出层级开始，并往回计算每个层级，直到抵达输入层
• 训练集： 用于训练神经网络的数据。
• 测试集： 用于测试神经网络最终效果的数据
• 回归： 输出一个值的模型。例如，估算房屋价值。
• 分类： 一种模型，能够输出多个类别的概率分布。例如在 Fashion MNIST 模型中，输出是 10 个概率，每种服饰对应一个概率。我们在最后的密集层中使用 Softmax 激活函数创建了这个概率分布。
• CNN： 卷积神经网络。即至少有一个卷积层的网络。典型的 CNN 还包括其他类型的层级，例如池化层和密集层
• 卷积： 向图像应用核（滤波器）的过程
• 核/滤波器： 小于输入的矩阵，用于将输入变成多个小区域
• 填充： 在输入图像周围添加像素，像素值通常为 0
• 池化： 通过下采样降低图像大小的过程。池化层有多种类型。例如，平均池化通过求平均值将多个值变成一个值。但是最大池化是最常见的池化类型。
• 最大池化： 一种池化过程，通过获取多个值中的最大值，将多个值变成一个值。
• 步长： 在图像上滑动核（滤波器）的间隔像素数量。
• 下采样： 降低图像大小的操作