机器学习：设计一种算法，让算法能够提取数据中蕴含的规律，通过利用数据，训练出模型，然后使用模型预测的一种方法
分类问题：定量输出，通常是用来预测一个值
回归问题：定性输出,用于将事物打上一个标签，通常结果为离散值
利用编程工具体现回归问题：
利用编程工具体现分类问题：
超参数：训练前或训练中手动认为进行调节的参数，通常可以将超参数分为三类：网络参数、优化参数、正则化参数
超参数的重要性顺序：
1.学习率：最重要的参数，直接控制着训练中网络梯度更新的量级，直接影响着模型的有效容限能力
可理解为参数正向增加寻求损失最小值的增长周期
2.批样本数量：一次训练所选取的样本量
3优化器超参数、权重衰减系数、dropout和网络参数：一般选用默认，固定的参数值
网络搭建：分为全连接层、卷积层、池化层、激活函数、BN操作五部分
全连接层：每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来
卷积层：提取输入的不同特征，更多层的网路能从低级迭代中提取更复杂的特征
池化层：将特征进一步提取，防止信息过于冗长
激活函数：将数据处理为函数
BN操作：将数据处理规范化，令数据更加准确
