训练过程中数据和其意义
训练过程中的三种数据：
1.（训练集）trainning set
2.（验证集）validation set
3 （测试集）test set
两类参数：
1.权重(weight)和偏移(baise)
2.超参数(学习率，衰退率，正则化强度等)
下面是谈谈我认识到的这三类数据和两类参数之间的关系：
1.训练集(train set)
训练集是最基本的数据，它的作用就是在不断迭代的过程中优化权重和偏移参数。通常用loss来表示在训练集上进行类别预测与其真实类别的不符合程度。loss越大，则表示不符合程度越高。loss 是weight,baise和trainning set的函数。所以求得dw和db，weight和baise沿dw和db的反方向偏移，可以减小loss的大小。
2.验证集(validation set)
刚刚解释了weight和baise是通过训练集来调整优化的，那么验证集就是用来调优超参数的。超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。那么这些参数在一次训练过程中是不变的，或者仅受其他超参数的影响而改变，比如学习率会在迭代过程中乘以衰退率而不断减小。总之这些参数不受训练集的影响。而合适的超参数能够明显提高学习的性能和效果。如何得到合适的超参数呢？通过使用验证集来实现。通过预设一系列的超参数，使用每一组超参数来训练模型，再使用该模型来对验证集进行预测。选择在验证集上表现最好的一个模型的超参数作为最优参数。
3测试集(test set)
测试集就是对最终的模型进行性能测试了，测试集仅仅从使用方法上上与验证集相同，区别是测试结果用来表征模型的判断能力，验证过程用来进行超参数调优.