一 损失函数介绍损失函数用于描述模型预测值与真实值的差距大小。一般有有两种常见的算法——均值平方差（MSE）和交叉熵。下面来分别介绍每个算法的具体内容。1 均值平方差均值平方差（Mean Squared Error，MSE），也称“均方误差”，在神经网络中主要是表达预测值和真实值之间的差异，在数理统计中，均方误差是指参数估计值与参数真值之差平方的预期值，主要用于回归问题。公式如下：主要是对每一个真

偏差度量了学习算法的期望预测和真实结果的偏离程度，刻画的是算法本身的拟合能力；方差度量了同样大小的数据集下数据变动导致学习性能的变化，刻画的是数据扰动造成的影响。当数据集小时，此时偏差占据主导地位，误差是由偏差决定的，当学习算法学习能力过强时，这时学到了整个训练数据集的所有特点，此时进行预测，即使一个很小特征的波动都会对最终结果产生很大的影响，这个时候是方差占据主导地位。...

一 损失函数介绍损失函数用于描述模型预测值与真实值的差距大小。一般有有两种常见的算法——均值平方差（MSE）和交叉熵。下面来分别介绍每个算法的具体内容。1 均值平方差均值平方差（Mean Squared Error，MSE），也称“均方误差”，在神经网络中主要是表达预测值和真实值之间的差异，在数理统计中，均方误差是指参数估计值与参数真值之差平方的预期值，主要用于回归问题。公式如下：主要是对每一个真

最大似然估计是利用已知的样本的结果，在使用某个模型的基础上，反推最有可能导致这样结果的模型参数值。在理解极大似然估计之前我们首先要了解概率和似然，概率是事件未发生前预测事件发生的概率，当事件发生时这个概率就已经确定，不在改变，而似然是事实已经发生去推测发生的条件，当事件与条件一一对应时似然值大小等于概率值大小，即 L(&|x) = P(x|&)。举例说明：假设一个袋子装有白球与红球

1.顺序建模方式1.model = tf.keras.Sequential()model.add(tf.keras.layers.LSTM(100,activation="relu"))model.add(tf.keras.layers.Dense(2,activation="sigmoid"))model.compile(optimizer=tf.keras.optimizers.Adam(0.

常常会遇到自定义网络结构的情况，自定结构后往往会有多个输入，或者还需要自定义loss或者accuracy函数，那么keras的fit就无法使用了，因此需要自定义训练步骤下面则自定义一次batch的训练步骤，包含了计算loss，accuracy和梯度下降。tensorflow2.0 主推eager模式，那么tf.GradientTape则是eager模式下的利器，自动计算梯度并传递最后别忘了加@tf

偏差度量了学习算法的期望预测和真实结果的偏离程度，刻画的是算法本身的拟合能力；方差度量了同样大小的数据集下数据变动导致学习性能的变化，刻画的是数据扰动造成的影响。当数据集小时，此时偏差占据主导地位，误差是由偏差决定的，当学习算法学习能力过强时，这时学到了整个训练数据集的所有特点，此时进行预测，即使一个很小特征的波动都会对最终结果产生很大的影响，这个时候是方差占据主导地位。...