训练集、验证集、测试集
机器学习简单流程：
-
使用大量和任务相关的数据集来训练模型；
-
通过模型在数据集上的误差不断迭代训练模型，得到对数据集拟合合理的模型；
-
将训练好调整好的模型应用到真实的场景中；
我们最终的目的是将训练好的模型部署到真实的环境中，希望训练好的模型能够在真实的数据上得到好的预测效果，换句话说就是希望模型在真实数据上预测的结果误差越小越好。我们把模型在真实环境中的误差叫做泛化误差，*最终的目的是希望训练好的模型泛化误差越低越好*。
★训练集：用于训练模型的训练参数。
★测试集：用于检验已经训练好的最终模型的泛化性能（特别注意：经过测试集后，模型参数就不能再动了）。
★验证集：用于检验模型的性能（这点和测试集相同），但可以根据检验结果反过来调整模型参数，主要是超参数（这点和测试集不同）。
验证集是训练集和测试集之间的一个中间件。根据前面的定义，我们发现了一个问题，如果只有训练集和测试集，是无法在测试集之前对模型进行评价的。实际上我们更希望在最终模型确定之前，可以先对模型进行一定的评价，然后根据评价结果调整模型参数（特别是超参数）后重新训练，直到我们认为模型已经不错了，最后再用测试集进行测试，测试就只为了查看模型的近似泛化性能，不再继续更新模型参数。正是为了这个目的，才划分出了一个验证集。可见，验证集一定程度上还是训练集，因为会根据验证集的结果调整模型参数。
单层神经网络
1958年，计算科学家Rosenblatt提出了由两层神经元组成的神经网络。他给它起了一个名字–“感知器”（Perceptron），也可翻译为感知机。
-
输入层 输入层里的“输入单元”只负责传输数据，不做计算。
-
输出层 输出层里的“输出单元”则需要对前面一层的输入进行计算。
把需要计算的层次称之为“计算层”，并把拥有一个计算层的网络称之为“单层神经网络”。有一些文献会按照网络拥有的层数来命名，例如把“感知器”称为两层神经网络。
什么是线性回归？简单举个例子，给定一个直线方程 y = k x + b 和位于该直线上的两点(x1,y1)、 (x2,y2) 。问x=x3时，y = y 3 = ? 根据中学知识，先利用已知两点求解直线方程参数k 、b ，再利用求得的直线方程求y3值。该求解过程就是一个简单的线性回归问题。 我们的现实生活中，有很多问题都可以看作是线性回归问题，如：预测房屋价格、气温、销售额等连续值问题。在深度学习中，一般会提供大量的数据，用于估计线性模型，最后根据模型完成回归任务。
线性回归模型实际是一个单输出的单层神经网络。
训练集一共N个，每一条数据是（x，t）x代表数据本身，t为x的标签，t要是只有两种就是二分类任务，否则就是多分类。右上角的n代表是第几个数据。
训练误差，每一条数据都会有一个属于自己的误差，每个人把自己的误差加起来，最后在平均就是总体的平均误差。n代表第几条数据，N代表数据总数。
最后的目的就是要利用梯度下降来缩小总体的损失函数。
在每一步的迭代计算过程中，我们首先要计算预测值(这一步也称为 Forward pass)，然后计算预测值与真实值之间的损失函数loss。我们采用梯度下降来更新我们的预测参数 w 和 b ，以便在下一次迭代计算中减小损失函数。这一过程是反向的(Backprop)，在此，我们要手动计算损失函数，求出对应参数的梯度，以此来更新权重 w 和偏置 b 。具体的计算过程如下：
损失函数一般都加一个二分之一，目的是方便求导，根据链式法则来调整w取值。
week1大部分以课程介绍为主，有问题请留言，后续会持续发布更新