函数的输入是b和w，函数的输出是输入某个特定的b和w，模型结果是是好还是不好L越大说明模型不好，L越小说明模型好假设有一个损失函数L(0.5k,1) ，模型为y=b+wx1 => y=0.5k+1x1(k是千人的意思)训练数据(本案例过去的订阅次数)输入到模型(函数)中，比如x输入1月1日订阅人数4.8k，计算得到模型预测的y(1月2日订阅人数)为5.3k，但实际只有4.9k求取估测的值跟实际的值

本文介绍了机器学习中的误差类型、数据集划分、模型评估及过拟合/欠拟合现象。主要内容包括：误差类型：训练误差（训练集误差）和泛化误差（新数据误差，重点关注对象）。数据集划分：训练集：训练模型参数验证集：调整超参数（通过K折交叉验证优化）测试集：最终评估模型（仅使用一次）过拟合与欠拟合：过拟合：训练误差低但泛化误差高，因模型过于复杂欠拟合：训练和泛化误差都高，因模型过于简单最优模型容量应在两者间取得平

函数的输入是b和w，函数的输出是输入某个特定的b和w，模型结果是是好还是不好L越大说明模型不好，L越小说明模型好假设有一个损失函数L(0.5k,1) ，模型为y=b+wx1 => y=0.5k+1x1(k是千人的意思)训练数据(本案例过去的订阅次数)输入到模型(函数)中，比如x输入1月1日订阅人数4.8k，计算得到模型预测的y(1月2日订阅人数)为5.3k，但实际只有4.9k求取估测的值跟实际的值

Full Connected Layer弹性最大=> Full Connected的network可以选择看一张图片还是看图片的部分，如果需要看图片的部分只需要将weight设置成0不需要看整张图，只需要看图片的一小部分就可侦测出重要的Pattern=> 这一小部分被称为=> 弹性会变小Model的弹性很高时容易导致弹性很好可以做各式各样的事情但没办法在每个任务表现很好。CNN存在。

计算图是表示计算过程的有效工具，由节点和边组成。正向传播从左到右计算，保存中间结果；反向传播从右到左传递梯度，基于链式法则计算导数。神经网络中的反向传播从损失函数开始，逐层求导传递梯度。加法节点反向传播直接传递上游值，乘法节点则需乘以正向输入的翻转值。激活函数层如ReLU和Sigmoid的反向传播实现各异：ReLU根据输入是否大于零决定是否传递梯度，Sigmoid的输出梯度与正向输出y相关。Aff

本文介绍了机器学习中的误差类型、数据集划分、模型评估及过拟合/欠拟合现象。主要内容包括：误差类型：训练误差（训练集误差）和泛化误差（新数据误差，重点关注对象）。数据集划分：训练集：训练模型参数验证集：调整超参数（通过K折交叉验证优化）测试集：最终评估模型（仅使用一次）过拟合与欠拟合：过拟合：训练误差低但泛化误差高，因模型过于复杂欠拟合：训练和泛化误差都高，因模型过于简单最优模型容量应在两者间取得平

中正在挂载的组件进行重新获取操作，如果组件被卸载（比如离开了当前页面组件等），并不会执行上述操作。， 只记录工作中使用到的主要功能，在使用中会不断更新，关于返回值等具体参数可以通过打印返回值查看。在内部基于查询键值来管理查询缓存，可以理解为依赖，如果依赖变化那么会重新发送查询请求。去查找状态树中是否有可用的数据，如果有则直接返回，否则则会发起请求，并将请求结果以。，比如在获取用户数据时，为了UI不

本方法与组件形式引用的区别：组件重新渲染其实是执行render方法， 如果子组件采用组件形式引入(可以理解为这里引入的是子组件render方法的执行结果。但有些场景下我们并不希望所有的子组件都重新渲染，比如在一个列表中，我们只希望重新渲染单击受新选择影响的这项。有时无法轻易的把一个组件单独的独立提取出来，此时可以把带状态的组件提取出来，然后把耗时的组件作为。方法是一个高阶函数，参数是一个组件A，返

了一个新变量，所以解构之后是一个基础数据则会响应式丢失。如果解构之后是一个引用类型，相当于操作的地址还是被Proxy监管，所以响应式不会丢失。reactive内部的实现是创建一个代理对象Proxy，以及进行了一系列处理。reactive失去效应是不在于Vue而在于Proxy对象本身。比如解构之后是基础类型的数据，那么解构相当于copy了一个值。访问时直接访问的这个copy值，跳过了代理，所以不会触

假设采用两次握手，那么服务端发出确认报文，表示连接已建立，但客户端并没有发出确认建立的连接，也不会向服务端发送任何数据，服务端因连接占用导致资源浪费。但是关闭连接时，当Server端收到FIN报文时，可能服务器还有数据需要发送，所以只能先回复一个ACK报文，告诉Client端，“你发的FIN报文我收到了”。第二次握手服务端收到FIN报文之后，发送ACK确认标志位=1，ack确认号为u+1的响应报文