1. 自动求导

两种方式：正向，反向
内存复杂度：O(n)
计算复杂度：O(n)

2. 线性回归

梯度下降通过不断沿着反梯度方向更新参数求解
两个重要的超参数是批量大小和学习率
小批量随机梯度下降是深度学习默认的求解算法

3. 训练误差和泛化误差

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数据集
测试数据集：只用一次的数据集
K则交叉验证 常用K=5或者10

4. 过拟合和欠拟合

5. 权重衰退weight decay

这是一种处理过拟合的方法


权重衰退（weight
decay）是一种用于机器学习的正则化技术。在训练神经网络时，我们通常使用优化算法来调整模型中的权重参数，以使其最小化损失函数。然而，为了防止过拟合，我们需要对这些权重进行约束，以使它们不会变得过大。

权重衰退通过在损失函数中增加一个正则化项来实现这一点，该正则化项惩罚过大的权重。具体地说，它将模型参数的 L2
范数（即每个权重值的平方和）添加到损失函数中，并乘以一个称为权重衰减系数的超参数 λ，从而使得较大的权重值被约束到更小的范围内。

在训练过程中，权重衰减可以帮助我们避免过拟合，提高模型的泛化能力。同时，它也可以作为一种正则化技术，有助于改善模型的鲁棒性和可解释性。