欢迎来到我的博客 链接到标题

机器学习

1.前置知识 链接到标题

通常使用三个数据集：训练，验证，测试。

训练集 —— “平时的课本和练习题”

• 这是什么：占总数据量最大的一部分（通常是 70% ~ 80%）。

• 它的作用：模型唯一以用来“学习”的数据。在反向传播过程中，模型通过不断地看这些数据，计算误差，并更新自己的权重。

• 比喻：这就是学生平时刷的《五年高考三年模拟》。学生可以通过对着答案不断做题，来掌握解题的套路和知识点。

• 用来调整权重

验证集：

• 这是什么：占总数据量的一小部分（通常是 10% ~ 15%）。

• 它的作用：模型在训练集上学了一段时间后，用验证集来“摸底测验”。绝对不能通过验证集来更新权重，它只能用来计算当前的准确率或误差。

• 核心目的：

  • 调节超参数 ：比如学习率设多少合适？网络需要几层？我们可以试好几个配置，看哪个在验证集上得分最高。

  • 防止过拟合 ：如果模型在“训练集”上得分越来越高，但在“验证集”上得分反而开始下降了，说明模型变成了“做题家”（死记硬背了训练集，失去了泛化能力）。这时候框架就会自动喊停（早停法）。

• 比喻：这就是每个月一次的模拟考。考试分数不计入最终成绩，只是为了让老师知道你的真实水平，帮你调整复习策略，防止你只会背平时的练习题答案。

• 用来调整超参数

测试集 —— “最终的高考”

• 这是什么：留给最后的一块“净土”（通常占 10% ~ 15%）。

• 它的作用：在模型完全训练好、并且通过验证集挑出了最佳版本之后，只使用一次的数据集。它用来客观评估模型在面对从未见过的真实世界数据时的表现。

• 比喻：这就是最终的高考。题目你绝对没见过，考完直接出分。论文里标榜的模型的准确率（比如 YOLO 的 mAP 指标），必须是在测试集上跑出来的才算数。

Training Loss (Error) 训练损失

$$ loss = (\hat{y} - y)^2 = (x * \omega - y)^2 $$

Mean Square Error 平均损失MSE：

$$ cost = \frac{1}{N} \sum_{n=1}^{N} (\hat{y}_n - y_n)^2 $$

2. 链接到标题

早期在神经科学中，认为生物受到刺激，神经元会放电。通过实验检测了猫的神经元电流，得出一个结论：哺乳动物的视觉系统是分层的。

由神经元得到了一个东西：感知机。由很多感知机产生了一个概念就是人工神经网络。

在人工神经网络的发展过程中，反向传播这一算法是一个核心的东西，

同时在此声明 本次博客网址搭建感谢我的好朋友Gemini提供技术细节支持，感谢GLM与Claude Code提供技术实现支持，感谢王甫12135、刻舟求剑的人、男男等好友提供的GLM密匙与环境搭建。