上述空间转换过程被我们称为一个MVP变换，M代表model，V代表view，P代表projection投影。顶点着色器最基本的任务就是将顶点从模型空间转换到裁剪空间，也就是需要在顶点着色器中实现MVP变换。

在之前的课程中，我们学习了二分问题，二分问题中的所有数据会被分类为0和1（或者Ture和False）两种输出标签。但是在大多数情况下，分类问题的输出远远不止两种情况，例如之前在课程中举例的肿瘤问题，肿瘤被分为良性和恶性两种，但实际上会有更多的分类情况，它有可能是A型，B型，C型…我们将这种拥有2种以上输出标签的问题称为多分类问题。虽然输出y依旧只能取值有限的离散值，但是输出标签的种类将会有两个以上

上述空间转换过程被我们称为一个MVP变换，M代表model，V代表view，P代表projection投影。顶点着色器最基本的任务就是将顶点从模型空间转换到裁剪空间，也就是需要在顶点着色器中实现MVP变换。

在整个神经网络模型的选择上我们也是这样测试的，例如这三个模型的隐藏层，我们计算得到二号模型的参数对应的验证误差较小，那么我们就可以使用第二个神经网络训练的参数，如果想要得到泛化误差的估计值，我们就可以用这个参数带入计算测试误差。较低，代表了训练误差低，这是必然的，因为我们是基于训练集的数据来最小化代价函数进行参数选择的，因此拟合出来的函数的训练误差一定是较小的。那么假如，我们按照刚才的模型评估的步

左图中的M是一个线性变换矩阵，想要从一个单位圆达到M这个效果，你可以想象一下，我们就是把这个圆拉长并且旋转。我们可以把整个操作分解为拉伸+旋转。在奇异值分解中，则是分解为了旋转VTV^TVT+拉伸Σ\SigmaΣ+旋转UUU，奇异值分解的公式则是MUΣVTMUΣVT。因此，想要解决PCA问题，我们需要找到旋转矩阵RRR，那么怎么找到它呢？我们需要协方差矩阵的帮助。

在Unity中，由于游戏是单线程的（这是为了其他线程不阻塞进程），因此我们常常需要使用协程。

匿名函数声明需要配合委托使用，并且声明时需要在函数头加上delegate，匿名函数的无参构造可以省略括号。匿名函数定义不允许使用泛型（很好理解，泛型是为了函数调用时能够灵活地接受不同类型的参数，但是使用匿名函数意味着它只会被调用一次，与其使用泛型不如让我们直接指定）定义带参数的匿名函数只需像正常函数定义即可。如果需要返回值只需使用Funcreturn q;lambda表达式就是匿名函数的一种创建方

本节课还是相当简单易懂的，该笔记也就是照抄文案然后加上自己的一些理解，推荐看李老师的原视频。

在之前的课程中，我们学习了二分问题，二分问题中的所有数据会被分类为0和1（或者Ture和False）两种输出标签。但是在大多数情况下，分类问题的输出远远不止两种情况，例如之前在课程中举例的肿瘤问题，肿瘤被分为良性和恶性两种，但实际上会有更多的分类情况，它有可能是A型，B型，C型…我们将这种拥有2种以上输出标签的问题称为多分类问题。虽然输出y依旧只能取值有限的离散值，但是输出标签的种类将会有两个以上