ArtoriaLili的博客

对于 S 来说，他代表了末端状态的权重矩阵，一般情况这会是一个对角矩阵，Q代表运行当中的权重矩阵，R则是输入权重矩阵，这些矩阵都是对角阵，其他两个都是 n * n,但是R为 p*p。A是n阶方阵，如果对任何非零向量x，都有。其中呢，X为一个n*1的输入矩阵，u是一个p*1的输出，那么A状态矩阵，就是 n*n，B就是n*p的矩阵，这个是经典的线性系统离散的表达形式。Xd是我们要控制的目标，w是末端时刻，希望在w时刻的量尽量的靠近参考量，也就是最后状态，这个最后状态等同于下面的N时刻，这一块称之为末端代价。

LeNet

从数学的角度看，机器学习的目标是建立输入和输出的函数关系，相当于 y = F（x）的过程。F（x）的获得，我们通过的是实验法啊，经过大量数据训练出来的，我们定义一个损失函数L（x），记录真实输出与模型输出的偏差，通过数据的迭代使得损失函数L（x）达到最小。过拟合和欠拟合是常见的现象。但是需要说明的是，数据没有过多的这种说法，所谓的过拟合，是模型在训练集上的表现过于优异，模拟考100分你考了100分，99分，但是验证集上，相当于实际考试中你考了40分，换一场考试，换一个新的数据，导致严重误判。

一个卷积神经网络通常包含多个卷积层，以AlexNet为例子，就有5个卷积层，在卷积神经网络的数字图像识别过程中，每层的特征将会更加抽象。同一个卷积层中可以有多个不同的卷积核，所得到的特征图的个数和卷积层的卷积个数有关(子卷积核是分别卷积后求和，当然也可以是别的计算方法)。第一层是图像输入层，通过卷积以及其他特定形式的运算从图像中提取特征，接下来每一层都以前一层提取出的特征作为输入进行卷积，得到更高级的特征。卷积核与图像的相似程度越高，得到的响应值越大，因此可以通过滑动卷积运算来提取图像的特征。