机器学习的知识有很多，我们在前面的文章中讲述的都是相对比较简单的知识，想必那些已经让大家头疼不已吧？在这篇文章中我们给大家介绍一下机器学习中深层次的知识。大家跟着小编学起来吧。

（1）层就是神经网络中的神经元序列，可以处理输入特征序列或神经元的输出。也是 TensorFlow 的一种抽象化概念。层是将张量和配置选项作为输入、输出其他张量的 Python 函数。一旦必要的张量出现，用户就可以通过模型函数将结果转换成估计器。

（2）学习率就是通过梯度下降训练模型时使用的一个标量。每次迭代中，梯度下降算法使学习率乘以梯度，乘积叫作 gradient step。学习率是一个重要的超参数。

（3）均方误差就是每个样本的平均平方损失。MSE 可以通过平方损失除以样本数量来计算。TensorFlow Playground 展示训练损失和测试损失的值是 MSE。

（4）模型就是机器学习系统从训练数据中所学内容的表示。该术语有多个含义，包括以下两个相关含义，第一个含义就是TensorFlow 图，显示如何计算预测的结构。第二个含义就是TensorFlow 图的特定权重和偏差，由训练决定。

（5）模型训练就是确定最佳模型的过程。

（6）动量就是一种复杂的梯度下降算法，其中的学习步不只依赖于当前步的导数，还依赖于先于它的步。动量包括随着时间计算梯度的指数加权移动平均数，类似于物理学中的动量。动量有时可以阻止学习陷于局部最小值。

（7）多类别就是在多于两类的类别中进行分类的分类问题。

（8）NaN trap就是训练过程中，如果模型中的一个数字变成了 NaN，则模型中的很多或所有其他数字最终都变成 NaN。NaN 是「Not a Number」的缩写。

（9）负类就是在二元分类中，一个类别是正类，另外一个是负类。正类就是我们要找的目标，负类是另外一种可能性。

（10）神经网络该模型从大脑中获取灵感，由多个层组成，其中至少有一个是隐藏层，每个层包含简单的连接单元或神经元，其后是非线性。

（11）神经元神经网络中的节点，通常输入多个值，生成一个输出值。神经元通过将激活函数应用到输入值的加权和来计算输出值。

这篇文章我们给大家介绍了很多机器学习中深入的内容，这些内容都是需要我们了解之前的知识才能够理解这些内容，所以大家不要偷懒或投机哟，要一个步骤一个脚印地来，这样才能巩固坚实的基础储备。希望这篇文章能够给大家带来帮助。