一次性把所有数据给模型训练方向很好，但是仅训练这一次虽然参数预测的方向没什么问题，但是参数的大小可能会出问题，因为仅一次训练模型不知道该一次修改参数多少。处理训练集时之前要加model.train（）这个函数，具体原理不用关心，只需要知道这是个固定流程，作用是让模型会计算梯度，更新参数。丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....一个一个训

但是各个因素影响程度不同，比如长得好看的往往谈的比较多，但性格好的不太一定谈的多，所以外貌权重w1相对更高。先是自己定义的模型计算出y^，再根据定义的损失函数loss进行梯度回传，逐步对参数求偏导，找到更好的参数使得loss更小。往往实际问题不仅仅只有一对输入输出，可能一个输出受到多种输入的影响，而不同的输入对输出的影响程度有所不同，及对应权重w不同。我们知道例子不是一个线性函数，这里能明显看出这

其中y是真实测量的，那么定义损失函数loss为预测值与测量值之差的绝对值，loss是关于未知参数的函数，与输入x输出y无关。定一个函数（也就是模型），定义一个合适的损失函数（用于描述与真实函数之间的差距），差距越小模型越好。即求当loss值最小（也就是模型最优的时候参数的值），有点类似高等数学的多元微分求极值或者统计学的似然函数。比如给身高，体重，财富的输入，输出寿命。参数右上角的角标叫做迭代数，

上两节我们学习了理论，接下来让我们基于python来实现一个简单的线性回归，深度学习必须要动手才能理解！就以第一节里面的所提的简单例子为例来实现别忘了我们神经网络的目的是：通过随机生成的参数反求真实的参数。我们往往有很多组输入数据x，而一组输入数据x=[x1,x2,x3,x4]就要与其对应的系数w1，w2,w3,w4相乘，最后加上偏置值b得到一个输出结果y^又我们有多组输入，那么转为矩阵相乘的形式

一次性把所有数据给模型训练方向很好，但是仅训练这一次虽然参数预测的方向没什么问题，但是参数的大小可能会出问题，因为仅一次训练模型不知道该一次修改参数多少。处理训练集时之前要加model.train（）这个函数，具体原理不用关心，只需要知道这是个固定流程，作用是让模型会计算梯度，更新参数。丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....一个一个训

一次性把所有数据给模型训练方向很好，但是仅训练这一次虽然参数预测的方向没什么问题，但是参数的大小可能会出问题，因为仅一次训练模型不知道该一次修改参数多少。处理训练集时之前要加model.train（）这个函数，具体原理不用关心，只需要知道这是个固定流程，作用是让模型会计算梯度，更新参数。丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....一个一个训

但是各个因素影响程度不同，比如长得好看的往往谈的比较多，但性格好的不太一定谈的多，所以外貌权重w1相对更高。先是自己定义的模型计算出y^，再根据定义的损失函数loss进行梯度回传，逐步对参数求偏导，找到更好的参数使得loss更小。往往实际问题不仅仅只有一对输入输出，可能一个输出受到多种输入的影响，而不同的输入对输出的影响程度有所不同，及对应权重w不同。我们知道例子不是一个线性函数，这里能明显看出这

其中y是真实测量的，那么定义损失函数loss为预测值与测量值之差的绝对值，loss是关于未知参数的函数，与输入x输出y无关。定一个函数（也就是模型），定义一个合适的损失函数（用于描述与真实函数之间的差距），差距越小模型越好。即求当loss值最小（也就是模型最优的时候参数的值），有点类似高等数学的多元微分求极值或者统计学的似然函数。比如给身高，体重，财富的输入，输出寿命。参数右上角的角标叫做迭代数，

上两节我们学习了理论，接下来让我们基于python来实现一个简单的线性回归，深度学习必须要动手才能理解！就以第一节里面的所提的简单例子为例来实现别忘了我们神经网络的目的是：通过随机生成的参数反求真实的参数。我们往往有很多组输入数据x，而一组输入数据x=[x1,x2,x3,x4]就要与其对应的系数w1，w2,w3,w4相乘，最后加上偏置值b得到一个输出结果y^又我们有多组输入，那么转为矩阵相乘的形式

一次性把所有数据给模型训练方向很好，但是仅训练这一次虽然参数预测的方向没什么问题，但是参数的大小可能会出问题，因为仅一次训练模型不知道该一次修改参数多少。处理训练集时之前要加model.train（）这个函数，具体原理不用关心，只需要知道这是个固定流程，作用是让模型会计算梯度，更新参数。丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....丢入数据，梯度回传更新参数....一个一个训