1.1机器学习方法分类 1：监督 2：无监督 3：自监督
机器学习整体步骤：
2.
生物神经网络：
3.宽度=个数
4.
人工神经网络：
5.
输入层——隐藏层——输出层
6.深度学习发展史：
7.
大模型核心：Transformer
损失函数：
经验值：
真实值与预测值的差距：小-准确。相反。最小值（最小化）
梯度下降：增长的最快
反向传播：
更新参数：
均方差损失函数：（主要用于回归问题）
交叉熵损失函数：（主要用于分类问题）
梯度下降法：
小批量梯度下降Mbgd（一般都用）：
优化器：
SGD：随机优化器随机梯度下降（SGD）与其他优化器的比较 - 知乎
动量优化器（惯性）：
一直到全局最优值
Aagrad优化器：
为不同的参数设置不同的学习率，而且学习率会随着模型训练不断变化----Adagrad
Adam：为每个待训练的参数，同时考虑了珂调节的动量项以及可调节的学习率
神经网络的架构设计
深度：隐藏层
RMSE（均方根误差）指标越小越好
1：训练时间过长（误差变高了。）
2：梯度消失
第一章笔记就结束啦，不懂的欢迎私聊up主
