整套体系可以系统性解决深度网络训练中的各类问题：初始化不当导致的梯度消失、数据分布不均导致的收敛缓慢、模型复杂度过高导致的过拟合、参数更新不均衡导致的训练震荡、超参不合理导致的局部最优问题，真正实现从“会搭网络”到“会训网络、会调网络、会优化网络”的能力升级。数据标准化是深度学习模型训练的前置必要步骤，不可省略。相较于前几周的梯度优化、正则化学习，本周内容更偏向模型训练底层稳定性与泛化能力的根源优

在学习中了解到，当下主流的分类算法可以分为概率生成模型和判别模型两大类型，两种模型的思考角度与实现方式各不相同，也是本周重点钻研的内容。在此基础上开启深度学习基础内容的学习，认识全连接神经网络的组成与工作方式，掌握前向传播、反向传播的运行逻辑，理解常用激活函数的作用，同时分析深度网络训练过程中存在的难点问题。在损失计算环节，分类任务不再使用回归任务中的均方误差。回归任务主要用来预测连续的数值结果，