1樓：劉dl
輸入：X，張量；Y，實際標籤
模型：y_pred = f(X, W)
訓練模型是指：迭代擬合出乙個W，使得y_pred很接近Y
2樓：付鵬
簡單說，模型是公式的引數。
機器學習模型，就是按照指定的公式算數。
假設我們有如下的邏輯回歸模型：
式中， 是輸入， 是要學習的引數，那麼 三個數字就組成了模型，對於新的資料，只需要載入三個引數的值，並和相應的輸入做運算，即可得到模型公式的輸出值。
至於怎麼儲存和讀取更舒服，以及模型公式是怎麼來的，那是另外的問題了。
3樓：不長
模型就是乙個機器，將你已有的資料進行處理後，放到模型裡得出結果。就像炒菜一樣，你買的蔬菜是你的資料，炒菜的鍋加的佐料以及如何炒是模型。
4樓：驚奇漫畫
做個不合理的解釋：
就像打籃球有三分，扣籃，罰球這些技術都可以得分，你要在籃球場上得分就就需要訓練這些技術，讓自己變成籃球高手。
在機器學習中有很多模型比如SVM，神經網路，你要做的就是需要訓練這些模型，然後運用這些訓練後的模型可以解決你的問題。
5樓：
怎麼說，就跟人的成長差不多，剛出生，什麼都不懂，什麼都不會，然後你開始模仿，模仿父母說話，做事情。這時候父母就是模型，你學習到的父母的行為就是訓練結果。對映到機器學習中就形如：
CNN,貝葉斯網路，馬爾科夫鏈，SVM等。就像你開始不會寫字，老師讓你寫一百遍，一千遍，一萬遍，然後你就會了，而且差不多忘不了了，就這意思，模型也一樣，你輸入資料，通過模型，訓練出結果，再看跟實際是否相符，不符接著訓練，當然會有一些引數各種微調之類。符合就說明訓練結束。
以上就是我的理解，可能有錯誤之處，還望各位指正。
6樓：Coder
我的理解就是：模型就是乙個函式
訓練模型就是：給定一多組資料，形如1 2 3 5 6 7 9 10 11 12 13 14 15 17，然後不停的調整函式的引數，這個過程就是訓練，直到這個函式符合這些資料的特徵，如上面這種資料訓練出來的模型為 res=1+i
不知道這樣理解有沒有問題，請各位大佬指正！！
你在訓練機器學習模型的時候，有哪些關於 training dynamics 的經驗？
星衡科技 實用策略 warm up 余弦退火 warm up 訓練初期由於離目標較遠，一般需要選擇大的學習率，但是使用過大的學習率容易導致不穩定性。所以可以做乙個學習率熱身階段，在開始的時候先使用乙個較小的學習率，然後當訓練過程穩定的時候再把學習率調回去。比如說在熱身階段，將學習率從0調到初始學習率...
為什麼在部分機器學習中訓練模型時使用GPU的效果比CPU更好？
千佛山彭于晏 哈哈哈，看完樓上的答案簡單總結一下。GPU是為渲染操作設計的，渲染的過程就是一些圖形點 幾何點位置和顏色值的計算。這些計算的形式就是一些四維向量和矩陣的運算。而我們在訓練模型引數的時候，進行的就是這樣的計算。所以GPU很適合加速我們的訓練過程。 shulang lei 假如是3x4的陣...
經常聽到佛法裡講要觀照，要覺知，可是諸法無我，是誰在覺知，誰在觀照呢，是第六識？
劉微塵 性空本即圓覺。所謂圓覺即遍一切處。是大光明。如眼看虛空。雖無一切相，這看是覺，而所看的範圍就是覺光放處。體本不動。本無一相。但是，因具生無明，不明白覺覺光遍處正是空體妙用放光。覺光遍處 瞪發勞相 久了，無相而疲勞妄顯勞相。如眼冒金星。金星一切相就妄現了。然後在這些金星中，認乙個為自己，覺呢縮...