神经网络学习入门教程：从数据到最优参数

神经网络学习的核心，是从训练数据中自动寻找最优权重和偏置的过程，目标是将损失函数的值降至最低。这与传统机器学习方法截然不同——深度学习直接学习图像本身，特征量也由机器自动提取，因此对所有问题都能采用统一的流程。下面我们逐步拆解这个学习过程的关键环节。

1. 训练数据与测试数据：评估模型的泛化能力

在机器学习中，数据通常被划分为训练数据和测试数据两部分。

• 训练数据：用于学习，寻找最优参数（如权重、偏置）。
• 测试数据：用于评价模型的泛化能力（即处理从未见过的新数据的能力）。

获得强大的泛化能力是机器学习的终极目标。如果仅用一个数据集同时进行学习和评价，就容易出现过拟合——模型只记住了当前数据集的模式，却无法处理其他数据。因此，必须严格分开训练数据和测试数据，这是避免过拟合的第一步。