显式构造
隐式构造
loss通常是一个标量
batchsize越小其实越好
回归 预测的是一个连续 softmax回归是一个多分类问题
分类 预测是一个离散值
Huber RoBust Loss, 也就是通常所说SmoothL1损失

常用命令

import torch
import torchvision
from torchvision import transforms

softmax 实现：

1. 对每个项求e的幂
2. 对每一行求和
3. 将每一项除以每一行的和

logistic 回归

最小化损失函数==最大化似然函数
num_worker 取决于python的实现 进程

CNN 主要学纹理

感知机：二分类 -1或1
只能产生线性分割面，不能解决XOR问题

多层感知机解决

SVM 数学更好

训练误差：模型在训练数据上的误差
泛化误差：模型在新数据上的误差
验证数据集：一个用来评估模型好坏的
测试数据集：只用一次的数据集

K-折交叉验证

求均值 方差

正则化：
1.权重衰退 weight_decay 一般是取1e-3 1e-4
dropout 正则项 不是投票的思想
hintor 胶囊网络

随机种子固定
cudnn 每次算矩阵结果不一样，

数值稳定性常见的两个问题

1. 梯度爆炸——16位浮点数（6e-5-6e4）
2. 梯度消失
   数值过大过小都会导致数值问题

relu 破坏线性
not a number 梯度爆炸

每秒钟计算浮点数———GFlops

显卡 温度

带宽

cuda

两个原则：平移不变性；局部性

卷积超参数：核大小、 步幅、 填充、输出通道数

池化层：缓解卷积对位置的敏感性

LeNet‘ 手写体数字识别 mnist数据集