- 特征(feature)：预测时使用的输入变量。
- 特征集(feature set)：训练深度学习模型时采用的一组特征。
- 标签(label)：监督学习中样本的“标准答案”。
- 类别(class)：为标签枚举的一组目标值中的一个。
- 样本(example)/输入(input)：数据集的一行，分为有标签样本和无标签样本。
- 权重(weight)：线性模型中特征的系数，或者深度网络中的边。
- 偏差(bias)：距离原点的截距或偏移。
- 激活函数(activation function)：一种用于对上一层所有输入加权求和后生成输出值以传递给下一层的函数。
- 反向传播(back propagation)：在神经网络上执行梯度下降法的主要算法，先前向传播计算并存储每个结点的输出值，再反向传播遍历图去计算损失函数值相对每个参数的偏导数。
- 批次(batch)：模型训练的一次迭代(一次梯度更新)中使用的样本集。
- 批次大小(batch size)：一个批次中的样本数。
- 轮次(epoch)：在训练时，整个数据集的一次完整遍历。
- 层(layer)：一组神经网络中负责处理一组输入特征或一组神经元的输出的神经元。
- 全连接层(fully connected layer)：又称密集层，一种每个节点均与下一隐藏层中每个节点相连的隐藏层。
- 输入层(input layer)：神经网络的第一层。
- 隐藏层(hidden layer)：神经网络中的合成层，介于输入层和输出层之间。
- 输出层(output layer)：神经网络的最后一层。
- 学习率(learning rate)：训练模型时用于梯度下降的一个标量，学习率×梯度＝梯度步长。
- 指标(metric)：可能在机器学习系统中得到优化的重点关注的指标。
- 神经网络(neural network)：一种模型，灵感来自脑部结构，由多个层构成，每个层都包含简单相连的单元或神经元(非线性关系)。
- 神经元(neuron)：神经网络中的节点，接受多个输入，应用激活函数将输入值加权处理后生成输出值。
- 过拟合(overfitting)：创建的模型与训练数据过于匹配，以致模型无法根据新数据进行正确的预测。
- 参数(parameter)：深度学习自行训练的模型的变量。
- 预测(prediction)/输出(output)：模型在收到输入样本后的输出。
- 回归模型(regression model)：一种能够将输入的连续的值映射到输出的离散的值的模型。
- 分类模型(classification model)：一种用于区分两种或多种离散类别的模型。
- 序列模型(sequence model)：一种输入有序列依赖性的模型。
深度学习常用术语
2023-01-10
340
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
本文介绍一些深度学习的常用术语。
目录
相关文章
|
机器学习/深度学习
自然语言处理
算法
|
机器学习/深度学习
自然语言处理
算法
|
机器学习/深度学习
人工智能
算法
|
机器学习/深度学习
深度学习笔记之一些基本术语
1160
0
0
|
24天前
|
机器学习/深度学习
传感器
数据采集
|
6天前
|
机器学习/深度学习
人工智能
自然语言处理
|
16天前
|
机器学习/深度学习
网络架构
计算机视觉
深度学习在图像识别中的应用与挑战
【10月更文挑战第21天】 本文探讨了深度学习技术在图像识别领域的应用，并分析了当前面临的主要挑战。通过研究卷积神经网络（CNN）的结构和原理，本文展示了深度学习如何提高图像识别的准确性和效率。同时，本文也讨论了数据不平衡、过拟合、计算资源限制等问题，并提出了相应的解决策略。
76
19
20
|
16天前
|
机器学习/深度学习
传感器
人工智能
探索深度学习在图像识别中的应用与挑战
【10月更文挑战第21天】
本文深入探讨了深度学习技术在图像识别领域的应用，并分析了当前面临的主要挑战。通过介绍卷积神经网络（CNN）的基本原理和架构设计，阐述了深度学习如何有效地从图像数据中提取特征，并在多个领域实现突破性进展。同时，文章也指出了训练深度模型时常见的过拟合问题、数据不平衡以及计算资源需求高等挑战，并提出了相应的解决策略。
69
7
7
|
26天前
|
机器学习/深度学习
自动驾驶
算法
深度学习在图像识别中的应用
本文将探讨深度学习技术在图像识别领域的应用。我们将介绍深度学习的基本原理，以及如何利用这些原理进行图像识别。我们将通过一个简单的代码示例来演示如何使用深度学习模型进行图像分类。最后，我们将讨论深度学习在图像识别领域的未来发展趋势和挑战。
53
6
6
|
26天前
|
机器学习/深度学习
数据采集
算法
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术在图像识别领域的应用，重点分析了卷积神经网络（CNN）的基本原理、优势以及面临的主要挑战。通过案例研究，展示了深度学习如何提高图像识别的准确性和效率，同时指出了数据质量、模型泛化能力和计算资源等关键因素对性能的影响。
57
4
4
热门文章
最新文章
1
使用Python实现智能食品库存管理的深度学习模型
2
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
3
使用Python实现智能食品消费习惯分析的深度学习模型
4
使用Python实现深度学习模型的分布式训练
5
深入理解人工智能中的深度学习技术及其最新进展
6
使用Python实现智能食品消费模式分析的深度学习模型
7
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
8
使用Python实现智能食品消费市场分析的深度学习模型
9
基于深度学习的图像识别技术在自动驾驶中的应用研究####
10
探索深度学习中的Transformer模型：原理、优势与应用