一 机器学习
1定义 字面意思让机器(计算机)去学习，实则是针对一个任务，设计一种算法，让算法能够提取数据中蕴含的规律，利用数据，训练出模型，然后使用模型预测的一种方法。
2分类 依据:输入机器的数据是否带有标签. 若有则为监督学习，若无则为无监督学习。
二 分类与回归问题
1区别 输出变量不同 定量输出为回归
定性输出为分类
应用场景不同
简单来说若结果已经知道的为分类，未知的为回归。
误差公式也叫损失函数。
三 超参数
机器开始学习过程之前人为设置值的参数，并不是通过训练得到的参数数据。通常要对其进行优化，为了寻找全局最优解，并使模型拟合到最优。
学习率，重要的超参数，可理解为下坡的步数，其决定着目标函数能否收敛到局部最小值及何时收敛到最小值。
四 网络搭建
1全连接层
2卷积层 缩小并提取特征
3池化层 也是来提取特征的
4激活函数 化直为曲
5BN操作
