2401_84080967的博客

在此之前，我们一直使用的都是回归任务进行学习；这里我们将进一步学习什么是分类，我们先从训练模型的角度来看看二者的区别。对于回归来说，它所作的是对模型输入相应的特征，然后模型给出相应的输出，需要让模型的输出和实际的标签值越接近越好；而对于分类来说，同样的是将相应的特征输入模型，模型输出相应的类型。分类模型的输出不像回归模型一样输出是一个特定的数值，所以对于分类模型来说我们可以根据将不同的类别使用不同的数值来代替。这样当模型认为输入的特征和class1更符合的话就会输出1，class3更符合的话就会输出3。

🚀🚀在初识机器学习中，了解了🚀在线性模型到神经网络这节，将并在结尾简要说了一下batch🚀在的问题如何解决这节，解决了求解模型未知参数的时候。🚀在这batch和momentum这节，探索了batch让梯度下降很好的走出local minima，同时进一步引入momentum，使得local minima不在是问题。🚀在这小节，我们将继续探索训练网络中会遇见的另外一个问题。

🚀🚀在初识机器学习中，了解了，在线性模型到神经网络这节，将并在结尾简要说了一下batch，在的问题如何解决这节，解决了求解模型未知参数的时候。在这一小结，将继续探索为什么要使用batch。

是遇到了两个问题，第一个是在求解函数未知参数数时会遇到的问题，在哪里我们并没有过多解释，就是说一般遇不到并且很好解决；第二个问题是当时使用的是线性模型，大大限制住了准确率，所以在第二节（）就将模型变得有弹性进化为了神经网路以及深度网络；

的最后，我们通过加大考虑的天数使得我们最后得到的模型Loss最终停留在了0.32k，当我们在想让模型更加准确的时候，是做不到的，因为我们使用的是线性模型（liner model）;接下去我们一起探索将如何进一步优化。

现在随着人工智能的发展，我们多多少少都听过人工智能，机器学习这样的词汇，而其实所谓的人工智能都可以被理解为就是一个函数（function），这个函数的功能强大，有以下例子：如上所示的例子，对于一个音频识别来说，就是一个函数，当我们将音频输入这个fff来说，他的功能就是将音频的内容映射为对应的句子；对于图像识别来说说，当输入一张猫的图片，函数应该将其映射为"Cat"，所以不难看出，其实所谓的机器学习，人工智能都是在干一件事情——****找一个函数，这函数可以将输入的转化为一个输出结果。