机器学习（李宏毅）

model：带有未知参数的函数
label、feature、weight、bias

Loss：与weight和bias相关的损失函数
L = (1/n)Σe （默认求平均，pytorch中损失函数的reduction参数（‘ none ‘ | ‘mean‘ | ‘ sum ‘）默认为mean，none返回一个向量）
MAE(mean absolute error)：e = |y - y_hat|
MSE(mean square error)：e = (y - y_hat)^2
Cross_entropy

error surface：不同参数与Loss的关系图

hyperparameter：人为设定的超参数
parameter：机器学习过程中出现的参数
参数更新

对与较为复杂的数据，单纯的线性函数难以拟合。可以将复杂的model分解为多个线性函数的和（类似于分段函数）。
每一小段的函数可以用sigmoid函数表示。其中c、b、w参数用于调节函数在水平或垂直方向上的移动以及函数的缩放。（将sigmoid函数调整成除了在model对应段上为近似斜线，其余近似为常数，在正无穷为1*c，在负无穷为0）
最后将多个sigmoid函数相加，即可得到最终结果。
【李沐】sigmoid将每个计算的结果进行映射，结果再作为下一个计算的输入进行计算。其目的在于对计算进行非线性化（多个线性计算的任意组合，其结果仍为线性运算）

sigmoid

通常在实际操作中，将完整的数据集（数目为N）分为多个Batch（数目为B），每次的update为一个batch的数据参与计算并更新，当所有数据都计算完成后称为一个epoch

hard sigmoid函数可以使用两个ReLu函数替代

sigmoid函数

ReLu函数

原文：https://www.cnblogs.com/tjll/p/15265253.html