選自Google Developers

機(jī)器之心編譯

機(jī)器之心曾開(kāi)放過(guò)人工智能術(shù)語(yǔ)集 ，該術(shù)語(yǔ)庫(kù)項(xiàng)目目前收集了人工智能領(lǐng)域 700 多個(gè)專業(yè)術(shù)語(yǔ)，但仍需要與各位讀者共同完善與修正。本文編譯自谷歌開(kāi)發(fā)者機(jī)器學(xué)習(xí)術(shù)語(yǔ)表項(xiàng)目，介紹了該項(xiàng)目所有的術(shù)語(yǔ)與基本解釋。之后，我們也將表內(nèi)術(shù)語(yǔ)更新到了機(jī)器之心 GitHub 項(xiàng)目中。

機(jī)器之心人工智能術(shù)語(yǔ)項(xiàng)目：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology

A

準(zhǔn)確率（accuracy）

分類模型預(yù)測(cè)準(zhǔn)確的比例。在多類別分類中，準(zhǔn)確率定義如下：

在二分類中，準(zhǔn)確率定義為：

激活函數(shù)（Activation function）

一種函數(shù)（例如 ReLU 或 Sigmoid），將前一層所有神經(jīng)元激活值的加權(quán)和輸入到一個(gè)非線性函數(shù)中，然后向下一層傳遞該函數(shù)的輸出值（典型的非線性）。

AdaGrad

一種復(fù)雜的梯度下降算法，重新調(diào)節(jié)每個(gè)參數(shù)的梯度，高效地給每個(gè)參數(shù)一個(gè)單獨(dú)的學(xué)習(xí)率。詳見(jiàn)論文：http://www.jmlr.org/papers/volume12/duchi11a/duchi11a.pdf。

AUC（曲線下面積）

一種考慮到所有可能的分類閾值的評(píng)估標(biāo)準(zhǔn)。ROC 曲線下面積代表分類器隨機(jī)預(yù)測(cè)真正類（Ture Positives）要比假正類（False Positives）概率大的確信度。

B

反向傳播（Backpropagation）

神經(jīng)網(wǎng)絡(luò)中完成梯度下降的重要算法。首先，在前向傳播的過(guò)程中計(jì)算每個(gè)節(jié)點(diǎn)的輸出值。然后，在反向傳播的過(guò)程中計(jì)算與每個(gè)參數(shù)對(duì)應(yīng)的誤差的偏導(dǎo)數(shù)。

基線（Baseline）

被用為對(duì)比模型表現(xiàn)參考點(diǎn)的簡(jiǎn)單模型。基線幫助模型開(kāi)發(fā)者量化模型在特定問(wèn)題上的預(yù)期表現(xiàn)。

批量

模型訓(xùn)練中一個(gè)迭代（指一次梯度更新）使用的樣本集。

批量大小（batch size）

一個(gè)批量中樣本的數(shù)量。例如，SGD 的批量大小為 1，而 mini-batch 的批量大小通常在 10-1000 之間。批量大小通常在訓(xùn)練與推理的過(guò)程中確定，然而 TensorFlow 不允許動(dòng)態(tài)批量大小。

偏置（bias）

與原點(diǎn)的截距或偏移量。偏置（也稱偏置項(xiàng)）被稱為機(jī)器學(xué)習(xí)模型中的 b 或者 w0。例如，偏置項(xiàng)是以下公式中的 b：y′=b+w_1x_1+w_2x_2+…w_nx_n。

注意不要和預(yù)測(cè)偏差混淆。

二元分類器（binary classification）

一類分類任務(wù)，輸出兩個(gè)互斥（不相交）類別中的一個(gè)。例如，一個(gè)評(píng)估郵件信息并輸出「垃圾郵件」或「非垃圾郵件」的機(jī)器學(xué)習(xí)模型就是一個(gè)二元分類器。

binning/bucketing

根據(jù)值的范圍將一個(gè)連續(xù)特征轉(zhuǎn)換成多個(gè)稱為 buckets 或者 bins 二元特征，稱為 buckets 或者 bins。例如，將溫度表示為單一的浮點(diǎn)特征，可以將溫度范圍切割為幾個(gè)離散的 bins。假如給定的溫度的敏感度為十分之一度，那么分布在 0.0 度和 15.0 度之間的溫度可以放入一個(gè) bin 中，15.1 度到 30.0 度放入第二個(gè) bin，30.1 度到 45.0 度放入第三個(gè) bin。

C

標(biāo)定層（calibration layer）

一種調(diào)整后期預(yù)測(cè)的結(jié)構(gòu)，通常用于解釋預(yù)測(cè)偏差。調(diào)整后的預(yù)期和概率必須匹配一個(gè)觀察標(biāo)簽集的分布。

候選采樣（candidate sampling）

一種優(yōu)化訓(xùn)練時(shí)間的，使用 Softmax 等算法計(jì)算所有正標(biāo)簽的概率，同時(shí)只計(jì)算一些隨機(jī)取樣的負(fù)標(biāo)簽的概率。例如，有一個(gè)樣本標(biāo)記為「小獵兔狗」和「狗」，候選取樣將計(jì)算預(yù)測(cè)概率，和與「小獵兔狗」和「狗」類別輸出（以及剩余的類別的隨機(jī)子集，比如「貓」、「棒棒糖」、「柵欄」）相關(guān)的損失項(xiàng)。這個(gè)想法的思路是，負(fù)類別可以通過(guò)頻率更低的負(fù)強(qiáng)化（negative reinforcement）進(jìn)行學(xué)習(xí)，而正類別經(jīng)常能得到適當(dāng)?shù)恼龔?qiáng)化，實(shí)際觀察確實(shí)如此。候選取樣的動(dòng)力是計(jì)算有效性從所有負(fù)類別的非計(jì)算預(yù)測(cè)的得益。

檢查點(diǎn)（checkpoint）

在特定的時(shí)刻標(biāo)記模型的變量的狀態(tài)的數(shù)據(jù)。檢查點(diǎn)允許輸出模型的權(quán)重，也允許通過(guò)多個(gè)階段訓(xùn)練模型。檢查點(diǎn)還允許跳過(guò)錯(cuò)誤繼續(xù)進(jìn)行（例如，搶占作業(yè)）。注意其自身的圖式并不包含于檢查點(diǎn)內(nèi)。

類別（class）

所有同類屬性的目標(biāo)值作為一個(gè)標(biāo)簽。例如，在一個(gè)檢測(cè)垃圾郵件的二元分類模型中，這兩個(gè)類別分別是垃圾郵件和非垃圾郵件。而一個(gè)多類別分類模型將區(qū)分狗的種類，其中的類別可以是貴賓狗、小獵兔狗、哈巴狗等等。

類別不平衡數(shù)據(jù)集（class-imbalanced data set）

這是一個(gè)二元分類問(wèn)題，其中兩個(gè)類別的標(biāo)簽的分布頻率有很大的差異。比如，一個(gè)疾病數(shù)據(jù)集中若 0.01% 的樣本有正標(biāo)簽，而 99.99% 的樣本有負(fù)標(biāo)簽，那么這就是一個(gè)類別不平衡數(shù)據(jù)集。但對(duì)于一個(gè)足球比賽預(yù)測(cè)器數(shù)據(jù)集，若其中 51% 的樣本標(biāo)記一隊(duì)勝利，而 49% 的樣本標(biāo)記其它隊(duì)伍勝利，那么這就不是一個(gè)類別不平衡數(shù)據(jù)集。

分類模型（classification）

機(jī)器學(xué)習(xí)模型的一種，將數(shù)據(jù)分離為兩個(gè)或多個(gè)離散類別。例如，一個(gè)自然語(yǔ)言處理分類模型可以將一句話歸類為法語(yǔ)、西班牙語(yǔ)或意大利語(yǔ)。分類模型與回歸模型（regression model）成對(duì)比。

分類閾值（classification threshold）

應(yīng)用于模型的預(yù)測(cè)分?jǐn)?shù)以分離正類別和負(fù)類別的一種標(biāo)量值標(biāo)準(zhǔn)。當(dāng)需要將 logistic 回歸的結(jié)果映射到二元分類模型中時(shí)就需要使用分類閾值。例如，考慮一個(gè)確定給定郵件為垃圾郵件的概率的 logistic 回歸模型，如果分類閾值是 0.9，那么 logistic 回歸值在 0.9 以上的被歸為垃圾郵件，而在 0.9 以下的被歸為非垃圾郵件。

混淆矩陣（confusion matrix）

總結(jié)分類模型的預(yù)測(cè)結(jié)果的表現(xiàn)水平（即，標(biāo)簽和模型分類的匹配程度）的 NxN 表格。混淆矩陣的一個(gè)軸列出模型預(yù)測(cè)的標(biāo)簽，另一個(gè)軸列出實(shí)際的標(biāo)簽。N 表示類別的數(shù)量。在一個(gè)二元分類模型中，N=2。例如，以下為一個(gè)二元分類問(wèn)題的簡(jiǎn)單的混淆矩陣：

上述混淆矩陣展示了在 19 個(gè)確實(shí)為腫瘤的樣本中，有 18 個(gè)被模型正確的歸類（18 個(gè)真正），有 1 個(gè)被錯(cuò)誤的歸類為非腫瘤（1 個(gè)假負(fù)類）。類似的，在 458 個(gè)確實(shí)為非腫瘤的樣本中，有 452 個(gè)被模型正確的歸類（452 個(gè)真負(fù)類），有 6 個(gè)被錯(cuò)誤的歸類（6 個(gè)假正類）。

多類別分類的混淆矩陣可以幫助發(fā)現(xiàn)錯(cuò)誤出現(xiàn)的模式。例如，一個(gè)混淆矩陣揭示了一個(gè)識(shí)別手寫數(shù)字體的模型傾向于將 4 識(shí)別為 9，或者將 7 識(shí)別為 1。混淆矩陣包含了足夠多的信息可以計(jì)算很多的模型表現(xiàn)度量，比如精度（precision）和召回（recall）率。

連續(xù)特征（continuous feature）

擁有無(wú)限個(gè)取值點(diǎn)的浮點(diǎn)特征。和離散特征（discrete feature）相反。

收斂（convergence）

訓(xùn)練過(guò)程達(dá)到的某種狀態(tài)，其中訓(xùn)練損失和驗(yàn)證損失在經(jīng)過(guò)了確定的迭代次數(shù)后，在每一次迭代中，改變很小或完全不變。換句話說(shuō)就是，當(dāng)對(duì)當(dāng)前數(shù)據(jù)繼續(xù)訓(xùn)練而無(wú)法再提升模型的表現(xiàn)水平的時(shí)候，就稱模型已經(jīng)收斂。在深度學(xué)習(xí)中，損失值下降之前，有時(shí)候經(jīng)過(guò)多次迭代仍保持常量或者接近常量，會(huì)造成模型已經(jīng)收斂的錯(cuò)覺(jué)。

凸函數(shù)（concex function）

一種形狀大致呈字母 U 形或碗形的函數(shù)。然而，在退化情形中，凸函數(shù)的形狀就像一條線。例如，以下幾個(gè)函數(shù)都是凸函數(shù)：

• L2 損失函數(shù)
• Log 損失函數(shù)
• L1 正則化函數(shù)
• L2 正則化函數(shù)

凸函數(shù)是很常用的損失函數(shù)。因?yàn)楫?dāng)一個(gè)函數(shù)有最小值的時(shí)候（通常就是這樣），梯度下降的各種變化都能保證找到接近函數(shù)最小值的點(diǎn)。類似的，隨機(jī)梯度下降的各種變化有很大的概率（雖然無(wú)法保證）找到接近函數(shù)最小值的點(diǎn)。

兩個(gè)凸函數(shù)相加（比如，L2 損失函數(shù)+L1 正則化函數(shù)）后仍然是凸函數(shù)。

深度模型通常是非凸的。出乎意料的是，以凸優(yōu)化的形式設(shè)計(jì)的算法通常都能在深度網(wǎng)絡(luò)上工作的很好，雖然很少能找到最小值。

成本（cost）

loss 的同義詞。

交叉熵（cross-entropy）

多類別分類問(wèn)題中對(duì) Log 損失函數(shù)的推廣。交叉熵量化兩個(gè)概率分布之間的區(qū)別。參見(jiàn)困惑度（perplexity）。

D

數(shù)據(jù)集（data set）

樣本的集合。

決策邊界（decision boundary）

在一個(gè)二元分類或多類別分類問(wèn)題中模型學(xué)習(xí)的類別之間的分離器。例如，下圖就展示了一個(gè)二元分類問(wèn)題，決策邊界即橙點(diǎn)類和藍(lán)點(diǎn)類的邊界。

深度模型（deep model）

一種包含多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)。深度模型依賴于其可訓(xùn)練的非線性性質(zhì)。和寬度模型對(duì)照（wide model）。

密集特征（dense feature）

大多數(shù)取值為非零的一種特征，通常用取浮點(diǎn)值的張量（tensor）表示。和稀疏特征（sparse feature）相反。

派生特征（derived feature）

合成特征（synthetic feature）的同義詞。

離散特征（discrete feature）

只有有限個(gè)可能取值的一種特征。例如，一個(gè)取值只包括動(dòng)物、蔬菜或礦物的特征就是離散（或類別）特征。和連續(xù)特征（continuous feature）對(duì)照。

dropout 正則化（dropout regularization）

訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)一種有用的正則化方法。dropout 正則化的過(guò)程是在單次梯度計(jì)算中刪去一層網(wǎng)絡(luò)中隨機(jī)選取的固定數(shù)量的單元。刪去的單元越多，正則化越強(qiáng)。

動(dòng)態(tài)模型（dynamic model）

以連續(xù)更新的方式在線訓(xùn)練的模型。即數(shù)據(jù)連續(xù)不斷的輸入模型。

E

早期停止法（early stopping）

一種正則化方法，在訓(xùn)練損失完成下降之前停止模型訓(xùn)練過(guò)程。當(dāng)驗(yàn)證數(shù)據(jù)集（validation data set）的損失開(kāi)始上升的時(shí)候，即泛化表現(xiàn)變差的時(shí)候，就該使用早期停止法了。

嵌入（embeddings）

一類表示為連續(xù)值特征的明確的特征。嵌入通常指將高維向量轉(zhuǎn)換到低維空間中。例如，將一個(gè)英語(yǔ)句子中的單詞以以下任何一種方式表示：

• 擁有百萬(wàn)數(shù)量級(jí)（高維）的元素的稀疏向量，其中所有的元素都是整數(shù)。向量的每一個(gè)單元表示一個(gè)單獨(dú)的英語(yǔ)單詞，單元中的數(shù)字表示該單詞在一個(gè)句子中出現(xiàn)的次數(shù)。由于一個(gè)句子中的單詞通常不會(huì)超過(guò) 50 個(gè)，向量中幾乎所有的單元都是 0。少量的非零的單元將取一個(gè)小的整數(shù)值（通常為 1）表示句子中一個(gè)單詞的出現(xiàn)次數(shù)。
• 擁有數(shù)百個(gè)（低維）元素的密集向量，其中每一個(gè)元素取 0 到 1 之間的浮點(diǎn)數(shù)。

在 TensorFlow 中，嵌入是通過(guò)反向傳播損失訓(xùn)練的，正如神經(jīng)網(wǎng)絡(luò)的其它參量一樣。

經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化（empirical risk minimization，ERM）

選擇能最小化訓(xùn)練數(shù)據(jù)的損失的模型函數(shù)的過(guò)程。和結(jié)構(gòu)風(fēng)險(xiǎn)最小化（structual risk minimization）對(duì)照。

集成（ensemble）

多個(gè)模型預(yù)測(cè)的綜合考慮。可以通過(guò)以下一種或幾種方法創(chuàng)建一個(gè)集成方法：

• 設(shè)置不同的初始化；
• 設(shè)置不同的超參量；
• 設(shè)置不同的總體結(jié)構(gòu)。

深度和廣度模型是一種集成。

評(píng)估器（Estimator）

tf.Estimator 類的一個(gè)例子，封裝 logic 以建立一個(gè) TensorFlow 圖并運(yùn)行一個(gè) TensorFlow session。你可以通過(guò)以下方式創(chuàng)建自己的評(píng)估器：https://www.tensorflow.org/extend/estimators

樣本（example）

一個(gè)數(shù)據(jù)集的一行內(nèi)容。一個(gè)樣本包含了一個(gè)或多個(gè)特征，也可能是一個(gè)標(biāo)簽。參見(jiàn)標(biāo)注樣本（labeled example）和無(wú)標(biāo)注樣本（unlabeled example）。

F

假負(fù)類（false negative，FN）

被模型錯(cuò)誤的預(yù)測(cè)為負(fù)類的樣本。例如，模型推斷一封郵件為非垃圾郵件（負(fù)類），但實(shí)際上這封郵件是垃圾郵件。

假正類（false positive，FP）

被模型錯(cuò)誤的預(yù)測(cè)為正類的樣本。例如，模型推斷一封郵件為垃圾郵件（正類），但實(shí)際上這封郵件是非垃圾郵件。

假正類率（false positive rate，FP rate）

ROC 曲線（ROC curve）中的 x 軸。FP 率的定義是：假正率=假正類數(shù)/(假正類數(shù)+真負(fù)類數(shù))

特征（feature）

輸入變量，用于做出預(yù)測(cè)。

特征列（feature columns/FeatureColumn）

具有相關(guān)性的特征的集合，比如用戶可能居住的所有可能的國(guó)家的集合。一個(gè)樣本的一個(gè)特征列中可能會(huì)有一個(gè)或者多個(gè)特征。

TensorFlow 中的特征列還可以壓縮元數(shù)據(jù)比如下列情況：

• 特征的數(shù)據(jù)類型；
• 一個(gè)特征是固定長(zhǎng)度的或應(yīng)該轉(zhuǎn)換為嵌入。
• 一個(gè)特征列可以僅包含一個(gè)特征。「特征列」是谷歌專用的術(shù)語(yǔ)。在 VW 系統(tǒng)（Yahoo/Microsoft）中特征列的意義是「命名空間」（namespace），或者場(chǎng)（field）。

特征交叉（feature cross）

將特征進(jìn)行交叉（乘積或者笛卡爾乘積）運(yùn)算后得到的合成特征。特征交叉有助于表示非線性關(guān)系。

特征工程（feature engineering）

在訓(xùn)練模型的時(shí)候，決定哪些特征是有用的，然后將記錄文件和其它來(lái)源的原始數(shù)據(jù)轉(zhuǎn)換成上述特征的過(guò)程。在 TensorFlow 中特征工程通常意味著將原始記錄文件輸入 tf.Example 協(xié)議緩存中。參見(jiàn) tf.Transform。特征工程有時(shí)候也稱為特征提取。

特征集（feature set）

機(jī)器學(xué)習(xí)模型訓(xùn)練的時(shí)候使用的特征群。比如，郵政編碼，面積要求和物業(yè)狀況可以組成一個(gè)簡(jiǎn)單的特征集，使模型能預(yù)測(cè)房?jī)r(jià)。

特征定義（feature spec）

描述所需的信息從 tf.Example 協(xié)議緩存中提取特征數(shù)據(jù)。因?yàn)?tf.Example 協(xié)議緩存只是數(shù)據(jù)的容器，必須明確以下信息：

• 需要提取的數(shù)據(jù)（即特征的關(guān)鍵信息）
• 數(shù)據(jù)類型（比如，浮點(diǎn)數(shù)還是整數(shù)）
• 數(shù)據(jù)長(zhǎng)度（固定的或者變化的）

Estimator API 提供了從一群特征列中生成一個(gè)特征定義的工具。

完全 softmax（full softmax）

參見(jiàn) softmax。和候選采樣對(duì)照。

G

泛化（generalization）

指模型利用新的沒(méi)見(jiàn)過(guò)的數(shù)據(jù)而不是用于訓(xùn)練的數(shù)據(jù)作出正確的預(yù)測(cè)的能力。

廣義線性模型（generalized linear model）

最小二乘回歸模型的推廣/泛化，基于高斯噪聲，相對(duì)于其它類型的模型（基于其它類型的噪聲，比如泊松噪聲，或類別噪聲）。廣義線性模型的例子包括：

• logistic 回歸
• 多分類回歸
• 最小二乘回歸

廣義線性模型的參數(shù)可以通過(guò)凸優(yōu)化得到，它具有以下性質(zhì)：

• 最理想的最小二乘回歸模型的平均預(yù)測(cè)結(jié)果等于訓(xùn)練數(shù)據(jù)的平均標(biāo)簽。
• 最理想的 logistic 回歸模型的平均概率的預(yù)測(cè)結(jié)果等于訓(xùn)練數(shù)據(jù)的平均標(biāo)簽。

廣義線性模型的能力局限于其特征的性質(zhì)。和深度模型不同，一個(gè)廣義線性模型無(wú)法「學(xué)習(xí)新的特征」。

梯度（gradient）

所有變量的偏導(dǎo)數(shù)的向量。在機(jī)器學(xué)習(xí)中，梯度是模型函數(shù)的偏導(dǎo)數(shù)向量。梯度指向最陡峭的上升路線。

梯度截?cái)?#xff08;gradient clipping）

在應(yīng)用梯度之前先修飾數(shù)值，梯度截?cái)嘤兄诖_保數(shù)值穩(wěn)定性，防止梯度爆炸出現(xiàn)。

梯度下降（gradient descent）

通過(guò)計(jì)算模型的相關(guān)參量和損失函數(shù)的梯度最小化損失函數(shù)，值取決于訓(xùn)練數(shù)據(jù)。梯度下降迭代地調(diào)整參量，逐漸靠近權(quán)重和偏置的最佳組合，從而最小化損失函數(shù)。

圖（graph）

在 TensorFlow 中的一種計(jì)算過(guò)程展示。圖中的節(jié)點(diǎn)表示操作。節(jié)點(diǎn)的連線是有指向性的，表示傳遞一個(gè)操作（一個(gè)張量）的結(jié)果（作為一個(gè)操作數(shù)）給另一個(gè)操作。使用 TensorBoard 能可視化計(jì)算圖。

H

啟發(fā)式（heuristic）

一個(gè)問(wèn)題的實(shí)際的和非最優(yōu)的解，但能從學(xué)習(xí)經(jīng)驗(yàn)中獲得足夠多的進(jìn)步。

隱藏層（hidden layer）

神經(jīng)網(wǎng)絡(luò)中位于輸入層（即特征）和輸出層（即預(yù)測(cè)）之間的合成層。一個(gè)神經(jīng)網(wǎng)絡(luò)包含一個(gè)或多個(gè)隱藏層。

折頁(yè)損失函數(shù)（Hinge loss）

損失函數(shù)的一個(gè)類型，用于分類模型以尋找距離每個(gè)樣本的距離最大的決策邊界，即最大化樣本和邊界之間的邊緣。KSVMs 使用 hinge 損失函數(shù)（或相關(guān)的函數(shù)，比如平方 hinge 函數(shù)）。在二元分類中，hinge 損失函數(shù)按以下方式定義：

loss=max(0,1?(y′?y))

其中 y'是分類器模型的列輸出：

y′=b+w_1x_1+w_2x_2+…w_nx_n

y 是真實(shí)的標(biāo)簽，-1 或+1。

因此，hinge 損失將是下圖所示的樣子：

測(cè)試數(shù)據(jù)（holdout data）

有意不用于訓(xùn)練的樣本。驗(yàn)證數(shù)據(jù)集（validation data set）和測(cè)試數(shù)據(jù)集（test data set）是測(cè)試數(shù)據(jù)（holdout data）的兩個(gè)例子。測(cè)試數(shù)據(jù)幫助評(píng)估模型泛化到除了訓(xùn)練數(shù)據(jù)之外的數(shù)據(jù)的能力。測(cè)試集的損失比訓(xùn)練集的損失提供了對(duì)未知數(shù)據(jù)集的損失更好的估計(jì)。

超參數(shù)（hyperparameter）

連續(xù)訓(xùn)練模型的過(guò)程中可以擰動(dòng)的「旋鈕」。例如，相對(duì)于模型自動(dòng)更新的參數(shù)，學(xué)習(xí)率（learning rate）是一個(gè)超參數(shù)。和參量對(duì)照。

I

獨(dú)立同分布（independently and identically distributed，i.i.d）

從不會(huì)改變的分布中獲取的數(shù)據(jù)，且獲取的每個(gè)值不依賴于之前獲取的值。i.i.d. 是機(jī)器學(xué)習(xí)的理想情況——一種有用但在現(xiàn)實(shí)世界中幾乎找不到的數(shù)學(xué)構(gòu)建。例如，網(wǎng)頁(yè)訪客的分布可能是短暫時(shí)間窗口上的 i.i.d；即分布不會(huì)在該時(shí)間窗口發(fā)生改變，每個(gè)人的訪問(wèn)都與其他人的訪問(wèn)獨(dú)立。但是，如果你擴(kuò)展了時(shí)間窗口，則會(huì)出現(xiàn)網(wǎng)頁(yè)訪客的季節(jié)性差異。

推斷（inference）

在機(jī)器學(xué)習(xí)中，通常指將訓(xùn)練模型應(yīng)用到無(wú)標(biāo)注樣本來(lái)進(jìn)行預(yù)測(cè)的過(guò)程。在統(tǒng)計(jì)學(xué)中，推斷指在觀察到的數(shù)據(jù)的基礎(chǔ)上擬合分布參數(shù)的過(guò)程。

輸入層（input layer）

神經(jīng)網(wǎng)絡(luò)的第一層（接收輸入數(shù)據(jù)）。

評(píng)分者間一致性（inter-rater agreement）

用來(lái)衡量一項(xiàng)任務(wù)中人類評(píng)分者意見(jiàn)一致的指標(biāo)。如果意見(jiàn)不一致，則任務(wù)說(shuō)明可能需要改進(jìn)。有時(shí)也叫標(biāo)注者間信度（inter-annotator agreement）或評(píng)分者間信度（inter-rater reliability）。

K

Kernel 支持向量機(jī)（Kernel Support Vector Machines/KSVM）

一種分類算法，旨在通過(guò)將輸入數(shù)據(jù)向量映射到更高維度的空間使正類和負(fù)類之間的邊際最大化。例如，考慮一個(gè)輸入數(shù)據(jù)集包含一百個(gè)特征的分類問(wèn)題。為了使正類和負(fù)類之間的間隔最大化，KSVM 從內(nèi)部將特征映射到百萬(wàn)維度的空間。KSVM 使用的損失函數(shù)叫作 hinge 損失。

L

L1 損失函數(shù)（L1 loss）

損失函數(shù)基于模型對(duì)標(biāo)簽的預(yù)測(cè)值和真實(shí)值的差的絕對(duì)值而定義。L1 損失函數(shù)比起 L2 損失函數(shù)對(duì)異常值的敏感度更小。

L1 正則化（L1 regularization）

一種正則化，按照權(quán)重絕對(duì)值總和的比例進(jìn)行懲罰。在依賴稀疏特征的模型中，L1 正則化幫助促使（幾乎）不相關(guān)的特征的權(quán)重趨近于 0，從而從模型中移除這些特征。

L2 損失（L2 loss）

參見(jiàn)平方損失。

L2 正則化（L2 regularization）

一種正則化，按照權(quán)重平方的總和的比例進(jìn)行懲罰。L2 正則化幫助促使異常值權(quán)重更接近 0 而不趨近于 0。（可與 L1 正則化對(duì)照閱讀。）L2 正則化通常改善線性模型的泛化效果。

標(biāo)簽（label）

在監(jiān)督式學(xué)習(xí)中，樣本的「答案」或「結(jié)果」。標(biāo)注數(shù)據(jù)集中的每個(gè)樣本包含一或多個(gè)特征和一個(gè)標(biāo)簽。比如，在房屋數(shù)據(jù)集中，特征可能包括臥室數(shù)量、衛(wèi)生間數(shù)量、房齡，而標(biāo)簽可能就是房子的價(jià)格。在垃圾郵件檢測(cè)數(shù)據(jù)集中，特征可能包括主題、發(fā)出者何郵件本身，而標(biāo)簽可能是「垃圾郵件」或「非垃圾郵件」。

標(biāo)注樣本（labeled example）

包含特征和標(biāo)簽的樣本。在監(jiān)督式訓(xùn)練中，模型從標(biāo)注樣本中進(jìn)行學(xué)習(xí)。

lambda

正則化率的同義詞。（該術(shù)語(yǔ)有多種含義。這里，我們主要關(guān)注正則化中的定義。）

層（layer）

神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元序列，可以處理輸入特征序列或神經(jīng)元的輸出。

它也是 TensorFlow 的一種抽象化概念。層是將張量和配置選項(xiàng)作為輸入、輸出其他張量的 Python 函數(shù)。一旦必要的張量出現(xiàn)，用戶就可以通過(guò)模型函數(shù)將結(jié)果轉(zhuǎn)換成估計(jì)器。

學(xué)習(xí)率（learning rate）

通過(guò)梯度下降訓(xùn)練模型時(shí)使用的一個(gè)標(biāo)量。每次迭代中，梯度下降算法使學(xué)習(xí)率乘以梯度，乘積叫作 gradient step。

學(xué)習(xí)率是一個(gè)重要的超參數(shù)。

最小二乘回歸（least squares regression）

通過(guò) L2 損失最小化進(jìn)行訓(xùn)練的線性回歸模型。

線性回歸（linear regression）

對(duì)輸入特征的線性連接輸出連續(xù)值的一種回歸模型。

logistic 回歸（logistic regression）

將 sigmoid 函數(shù)應(yīng)用于線性預(yù)測(cè)，在分類問(wèn)題中為每個(gè)可能的離散標(biāo)簽值生成概率的模型。盡管 logistic 回歸常用于二元分類問(wèn)題，但它也用于多類別分類問(wèn)題（這種情況下，logistic 回歸叫作「多類別 logistic 回歸」或「多項(xiàng)式 回歸」。

對(duì)數(shù)損失函數(shù)（Log Loss）

二元 logistic 回歸模型中使用的損失函數(shù)。

損失

度量模型預(yù)測(cè)與標(biāo)簽距離的指標(biāo)，它是度量一個(gè)模型有多糟糕的指標(biāo)。為了確定損失值，模型必須定義損失函數(shù)。例如，線性回歸模型通常使用均方差作為損失函數(shù)，而 logistic 回歸模型使用對(duì)數(shù)損失函數(shù)。

M

機(jī)器學(xué)習(xí)（machine learning）

利用輸入數(shù)據(jù)構(gòu)建（訓(xùn)練）預(yù)測(cè)模型的項(xiàng)目或系統(tǒng)。該系統(tǒng)使用學(xué)習(xí)的模型對(duì)與訓(xùn)練數(shù)據(jù)相同分布的新數(shù)據(jù)進(jìn)行有用的預(yù)測(cè)。機(jī)器學(xué)習(xí)還指與這些項(xiàng)目或系統(tǒng)相關(guān)的研究領(lǐng)域。

均方誤差（Mean Squared Error/MSE）

每個(gè)樣本的平均平方損失。MSE 可以通過(guò)平方損失除以樣本數(shù)量來(lái)計(jì)算。TensorFlow Playground 展示「訓(xùn)練損失」和「測(cè)試損失」的值是 MSE。

小批量（mini-batch）

在訓(xùn)練或推斷的一個(gè)迭代中運(yùn)行的整批樣本的一個(gè)小的隨機(jī)選擇的子集。小批量的大小通常在 10 到 1000 之間。在小批量數(shù)據(jù)上計(jì)算損失比在全部訓(xùn)練數(shù)據(jù)上計(jì)算損失要高效的多。

小批量隨機(jī)梯度下降（mini-batch stochastic gradient descent）

使用小批量的梯度下降算法。也就是，小批量隨機(jī)梯度下降基于訓(xùn)練數(shù)據(jù)的子集對(duì) 梯度進(jìn)行評(píng)估。Vanilla SGD 使用 size 為 1 的小批量。

模型（model）

機(jī)器學(xué)習(xí)系統(tǒng)從訓(xùn)練數(shù)據(jù)中所學(xué)內(nèi)容的表示。該術(shù)語(yǔ)有多個(gè)含義，包括以下兩個(gè)相關(guān)含義：

• TensorFlow 圖，顯示如何計(jì)算預(yù)測(cè)的結(jié)構(gòu)。
• TensorFlow 圖的特定權(quán)重和偏差，由訓(xùn)練決定。

模型訓(xùn)練（model training）

確定最佳模型的過(guò)程。

動(dòng)量（Momentum）

一種復(fù)雜的梯度下降算法，其中的學(xué)習(xí)步不只依賴于當(dāng)前步的導(dǎo)數(shù)，還依賴于先于它的步。動(dòng)量包括隨著時(shí)間計(jì)算梯度的指數(shù)加權(quán)移動(dòng)平均數(shù)，類似于物理學(xué)中的動(dòng)量。動(dòng)量有時(shí)可以阻止學(xué)習(xí)陷于局部最小值。

多類別（multi-class）

在多于兩類的類別中進(jìn)行分類的分類問(wèn)題。例如，有約 128 種楓樹(shù)，那么分類楓樹(shù)品種的模型就是多類別的。反之，把電子郵件分成兩個(gè)類別（垃圾郵件和非垃圾郵件）的模型是二元分類器模型。

N

NaN trap

訓(xùn)練過(guò)程中，如果模型中的一個(gè)數(shù)字變成了 NaN，則模型中的很多或所有其他數(shù)字最終都變成 NaN。NaN 是「Not a Number」的縮寫。

負(fù)類（negative class）

在二元分類中，一個(gè)類別是正類，另外一個(gè)是負(fù)類。正類就是我們要找的目標(biāo)，負(fù)類是另外一種可能性。例如，醫(yī)療測(cè)試中的負(fù)類可能是「非腫瘤」，電子郵件分類器中的負(fù)類可能是「非垃圾郵件」。

神經(jīng)網(wǎng)絡(luò)（neural network）

該模型從大腦中獲取靈感，由多個(gè)層組成（其中至少有一個(gè)是隱藏層），每個(gè)層包含簡(jiǎn)單的連接單元或神經(jīng)元，其后是非線性。

神經(jīng)元（neuron）

神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)，通常輸入多個(gè)值，生成一個(gè)輸出值。神經(jīng)元通過(guò)將激活函數(shù)（非線性轉(zhuǎn)換）應(yīng)用到輸入值的加權(quán)和來(lái)計(jì)算輸出值。

歸一化（normalization）

將值的實(shí)際區(qū)間轉(zhuǎn)化為標(biāo)準(zhǔn)區(qū)間的過(guò)程，標(biāo)準(zhǔn)區(qū)間通常是-1 到+1 或 0 到 1。例如，假設(shè)某個(gè)特征的自然區(qū)間是 800 到 6000。通過(guò)減法和分割，你可以把那些值標(biāo)準(zhǔn)化到區(qū)間-1 到+1。參見(jiàn)縮放。

numpy

Python 中提供高效數(shù)組運(yùn)算的開(kāi)源數(shù)學(xué)庫(kù)。pandas 基于 numpy 構(gòu)建。

O

目標(biāo)（objective）

算法嘗試優(yōu)化的目標(biāo)函數(shù)。

離線推斷（offline inference）

生成一組預(yù)測(cè)并存儲(chǔ)，然后按需檢索那些預(yù)測(cè)。可與在線推斷對(duì)照閱讀。

one-hot 編碼（one-hot encoding）

一個(gè)稀疏向量，其中：

• 一個(gè)元素設(shè)置為 1。
• 所有其他的元素設(shè)置為 0。

獨(dú)熱編碼常用于表示有有限可能值集合的字符串或標(biāo)識(shí)符。例如，假設(shè)一個(gè)記錄了 15000 個(gè)不同品種的植物數(shù)據(jù)集，每一個(gè)用獨(dú)特的字符串標(biāo)識(shí)符來(lái)表示。作為特征工程的一部分，你可能將那些字符串標(biāo)識(shí)符進(jìn)行獨(dú)熱編碼，每個(gè)向量的大小為 15000。

一對(duì)多（one-vs.-all）

給出一個(gè)有 N 個(gè)可能解決方案的分類問(wèn)題，一對(duì)多解決方案包括 N 個(gè)獨(dú)立的二元分類器——每個(gè)可能的結(jié)果都有一個(gè)二元分類器。例如，一個(gè)模型將樣本分為動(dòng)物、蔬菜或礦物，則一對(duì)多的解決方案將提供以下三種獨(dú)立的二元分類器：

• 動(dòng)物和非動(dòng)物
• 蔬菜和非蔬菜
• 礦物和非礦物

在線推斷（online inference）

按需生成預(yù)測(cè)。可與離線推斷對(duì)照閱讀。

運(yùn)算（Operation/op）

TensorFlow 圖中的一個(gè)節(jié)點(diǎn)。在 TensorFlow 中，任何創(chuàng)建、控制或損壞張量的步驟都是運(yùn)算。例如，矩陣乘法是一個(gè)把兩個(gè)張量作為輸入、生成一個(gè)張量作為輸出的運(yùn)算。

優(yōu)化器（optimizer）

梯度下降算法的特定實(shí)現(xiàn)。TensorFlow 的基類優(yōu)化器是 tf.train.Optimizer。不同的優(yōu)化器（tf.train.Optimizer 的子類）對(duì)應(yīng)不同的概念，如：

• 動(dòng)量（Momentum）
• 更新頻率（AdaGrad = ADAptive GRADient descent；Adam = ADAptive with Momentum；RMSProp）
• 稀疏性／正則化（Ftrl）
• 更復(fù)雜的數(shù)學(xué)（Proximal 及其他）

你甚至可以想象 NN-driven optimizer。

異常值（outlier）

與大多數(shù)值差別很大的值。在機(jī)器學(xué)習(xí)中，下列都是異常值：

• 高絕對(duì)值的權(quán)重。
• 與實(shí)際值差距過(guò)大的預(yù)測(cè)值。
• 比平均值多大約 3 個(gè)標(biāo)準(zhǔn)差的輸入數(shù)據(jù)的值。

異常值往往使模型訓(xùn)練中出現(xiàn)問(wèn)題。

輸出層（output layer）

神經(jīng)網(wǎng)絡(luò)的「最后」一層。這一層包含整個(gè)·模型所尋求的答案。

過(guò)擬合（overfitting）

創(chuàng)建的模型與訓(xùn)練數(shù)據(jù)非常匹配，以至于模型無(wú)法對(duì)新數(shù)據(jù)進(jìn)行正確的預(yù)測(cè)。

P

pandas

一種基于列的數(shù)據(jù)分析 API。很多機(jī)器學(xué)習(xí)框架，包括 TensorFlow，支持 pandas 數(shù)據(jù)結(jié)構(gòu)作為輸入。參見(jiàn) pandas 文檔。

參數(shù)（parameter）

機(jī)器學(xué)習(xí)系統(tǒng)自行訓(xùn)練的模型的變量。例如，權(quán)重是參數(shù)，它的值是機(jī)器學(xué)習(xí)系統(tǒng)通過(guò)連續(xù)的訓(xùn)練迭代逐漸學(xué)習(xí)到的。可與超參數(shù)對(duì)照閱讀。

參數(shù)服務(wù)器（Parameter Server/PS）

用于在分布式設(shè)置中跟蹤模型參數(shù)。

參數(shù)更新（parameter update）

在訓(xùn)練過(guò)程中調(diào)整模型參數(shù)的操作，通常在梯度下降的單個(gè)迭代中進(jìn)行。

偏導(dǎo)數(shù)（partial derivative）

一個(gè)多變量函數(shù)的偏導(dǎo)數(shù)是它關(guān)于其中一個(gè)變量的導(dǎo)數(shù)，而保持其他變量恒定。例如，f(x, y) 對(duì)于 x 的偏導(dǎo)數(shù)就是 f(x) 的導(dǎo)數(shù)，y 保持恒定。x 的偏導(dǎo)數(shù)中只有 x 是變化的，公式中其他的變量都不用變化。

分區(qū)策略（partitioning strategy）

在多個(gè)參數(shù)服務(wù)器中分割變量的算法。

性能（performance）

具有多種含義：

• 在軟件工程中的傳統(tǒng)含義：軟件運(yùn)行速度有多快／高效？
• 在機(jī)器學(xué)習(xí)中的含義：模型的準(zhǔn)確率如何？即，模型的預(yù)測(cè)結(jié)果有多好？

困惑度（perplexity）

對(duì)模型完成任務(wù)的程度的一種度量指標(biāo)。例如，假設(shè)你的任務(wù)是閱讀用戶在智能手機(jī)上輸入的單詞的頭幾個(gè)字母，并提供可能的完整單詞列表。該任務(wù)的困惑度（perplexity，P）是為了列出包含用戶實(shí)際想輸入單詞的列表你需要進(jìn)行的猜測(cè)數(shù)量。

困惑度和交叉熵的關(guān)系如下：

流程（pipeline）

機(jī)器學(xué)習(xí)算法的基礎(chǔ)架構(gòu)。管道包括收集數(shù)據(jù)、將數(shù)據(jù)放入訓(xùn)練數(shù)據(jù)文件中、訓(xùn)練一或多個(gè)模型，以及最終輸出模型。

正類（positive class）

在二元分類中，有兩種類別：正類和負(fù)類。正類是我們測(cè)試的目標(biāo)。（不過(guò)必須承認(rèn)，我們同時(shí)測(cè)試兩種結(jié)果，但其中一種不是重點(diǎn)。）例如，醫(yī)療測(cè)試中正類可能是「腫瘤」，電子郵件分類器中的正類可能是「垃圾郵件」。可與負(fù)類對(duì)照閱讀。

精度（precision）

分類模型的一種指標(biāo)。準(zhǔn)確率指模型預(yù)測(cè)正類時(shí)預(yù)測(cè)正確的頻率。即：

預(yù)測(cè)（prediction）

模型在輸入樣本后的輸出結(jié)果。

預(yù)測(cè)偏差（prediction bias）

揭示預(yù)測(cè)的平均值與數(shù)據(jù)集中標(biāo)簽的平均值的差距。

預(yù)制評(píng)估器（pre-made Estimator）

已經(jīng)構(gòu)建好的評(píng)估器。TensorFlow 提供多個(gè)預(yù)制評(píng)估器，包括 DNNClassifier、DNNRegressor 和 LinearClassifier。你可以根據(jù)指導(dǎo)（https://www.tensorflow.org/extend/estimators）構(gòu)建自己的預(yù)制評(píng)估器。

預(yù)訓(xùn)練模型（pre-trained model）

已經(jīng)訓(xùn)練好的模型或模型組件（如嵌入）。有時(shí)，你將預(yù)訓(xùn)練嵌入饋送至神經(jīng)網(wǎng)絡(luò)。其他時(shí)候，你的模型自行訓(xùn)練嵌入，而不是依賴于預(yù)訓(xùn)練嵌入。

先驗(yàn)信念（prior belief）

訓(xùn)練開(kāi)始之前你對(duì)數(shù)據(jù)的信念。例如，L2 正則化依賴于權(quán)重值很小且正常分布在 0 周圍的信念。

Q

隊(duì)列（queue）

實(shí)現(xiàn)隊(duì)列數(shù)據(jù)結(jié)構(gòu)的 TensorFlow 操作。通常在輸入／輸出（I/O）中使用。

R

秩（rank）

機(jī)器學(xué)習(xí)領(lǐng)域中包含多種含義的術(shù)語(yǔ)：

• 張量中的維度數(shù)量。比如，標(biāo)量有 1 個(gè)秩，向量有 1 個(gè)秩，矩陣有 2 個(gè)秩。（注：在這個(gè)詞匯表中，「秩」的概念和線性代數(shù)中「秩」的概念不一樣，例如三階可逆矩陣的秩為 3。）
• 機(jī)器學(xué)習(xí)問(wèn)題中類別的序數(shù)位置，按從高到低的順序給類別分類。比如，行為排序系統(tǒng)可以把狗的獎(jiǎng)勵(lì)按從高（牛排）到低（甘藍(lán)）排序。

評(píng)分者（rater）

為樣本提供標(biāo)簽的人，有時(shí)也叫「標(biāo)注者」。

召回率（recall）

分類模型的一個(gè)指標(biāo)，可以回答這個(gè)問(wèn)題：模型能夠準(zhǔn)確識(shí)別多少正標(biāo)簽？即：

修正線性單元（Rectified Linear Unit/ReLU）

一種具備以下規(guī)則的激活函數(shù)：

• 如果輸入為負(fù)或零，則輸出為 0。
• 如果輸入為正，則輸出與輸入相同。

回歸模型（regression model）

一種輸出持續(xù)值（通常是浮點(diǎn)數(shù)）的模型。而分類模型輸出的是離散值，如「day lily」或「tiger lily」。

正則化（regularization）

對(duì)模型復(fù)雜度的懲罰。正則化幫助防止過(guò)擬合。正則化包括不同種類：

• L1 正則化
• L2 正則化
• dropout 正則化
• early stopping（這不是正式的正則化方法，但可以高效限制過(guò)擬合）

正則化率（regularization rate）

一種標(biāo)量級(jí)，用 lambda 來(lái)表示，指正則函數(shù)的相對(duì)重要性。從下面這個(gè)簡(jiǎn)化的損失公式可以看出正則化率的作用：

minimize(loss function + λ(regularization function))

提高正則化率能夠降低過(guò)擬合，但可能會(huì)使模型準(zhǔn)確率降低。

表征

將數(shù)據(jù)映射到有用特征的過(guò)程。

受試者工作特征曲線（receiver operating characteristic/ROC Curve）

反映在不同的分類閾值上，真正類率和假正類率的比值的曲線。參見(jiàn) AUC。

根目錄（root directory）

指定放置 TensorFlow 檢查點(diǎn)文件子目錄和多個(gè)模型的事件文件的目錄。

均方根誤差（Root Mean Squared Error/RMSE）

均方誤差的平方根。

S

Saver

負(fù)責(zé)存儲(chǔ)模型檢查點(diǎn)文件的 TensorFlow 對(duì)象。

縮放（scaling）

特征工程中常用的操作，用于控制特征值區(qū)間，使之與數(shù)據(jù)集中其他特征的區(qū)間匹配。例如，假設(shè)你想使數(shù)據(jù)集中所有的浮點(diǎn)特征的區(qū)間為 0 到 1。給定一個(gè)特征區(qū)間是 0 到 500，那么你可以通過(guò)將每個(gè)值除以 500，縮放特征值區(qū)間。還可參見(jiàn)正則化。

scikit-learn

一種流行的開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)。網(wǎng)址：www.scikit-learn.org

序列模型（sequence model）

輸入具有序列依賴性的模型。例如，根據(jù)之前觀看過(guò)的視頻序列對(duì)下一個(gè)視頻進(jìn)行預(yù)測(cè)。

會(huì)話（session）

保持 TensorFlow 程序的狀態(tài)（如變量）。

Sigmoid 函數(shù)（sigmoid function）

把 logistic 或多項(xiàng)式回歸輸出（對(duì)數(shù)幾率）映射到概率的函數(shù)，返回的值在 0 到 1 之間。sigmoid 函數(shù)的公式如下：

其中σ在 logistic 回歸問(wèn)題中只是簡(jiǎn)單的：

在有些神經(jīng)網(wǎng)絡(luò)中，sigmoid 函數(shù)和激活函數(shù)一樣。

softmax

為多類別分類模型中每個(gè)可能的類提供概率的函數(shù)。概率加起來(lái)的總和是 1.0。例如，softmax 可能檢測(cè)到某個(gè)圖像是一只狗的概率為 0.9，是一只貓的概率為 0.08，是一匹馬的概率為 0.02。（也叫作 full softmax）。

稀疏特征（sparse feature）

值主要為 0 或空的特征向量。比如，一個(gè)向量的值有 1 個(gè) 1,、一百萬(wàn)個(gè) 0，則該向量為稀疏向量。再比如，搜索查詢中的單詞也是稀疏向量：在一種語(yǔ)言中有很多可以用的單詞，但給定的查詢中只用了其中的一些。

可與稠密特征對(duì)照閱讀。

平方損失（squared loss）

線性回歸中使用的損失函數(shù)（也叫作 L2 Loss）。該函數(shù)計(jì)算模型對(duì)標(biāo)注樣本的預(yù)測(cè)值和標(biāo)簽真正值之間差的平方。在平方之后，該損失函數(shù)擴(kuò)大了不良預(yù)測(cè)的影響。即，平方損失比 L1 Loss 對(duì)異常值（outlier）的反應(yīng)更加強(qiáng)烈。

靜態(tài)模型（static model）

離線訓(xùn)練的模型。

穩(wěn)態(tài)（stationarity）

數(shù)據(jù)集中的一種數(shù)據(jù)屬性，數(shù)據(jù)分布在一或多個(gè)維度中保持不變。通常情況下，維度是時(shí)間，意味著具備平穩(wěn)性的數(shù)據(jù)不會(huì)隨著時(shí)間發(fā)生變化。比如，具備平穩(wěn)性的數(shù)據(jù)從 9 月到 12 月不會(huì)改變。

步（step）

一個(gè)批量中的前向和后向評(píng)估。

步長(zhǎng)（step size）

學(xué)習(xí)速率（learning rate）乘以偏導(dǎo)數(shù)的值，即梯度下降中的步長(zhǎng)。

隨機(jī)梯度下降（stochastic gradient descent/SGD）

批量大小為 1 的梯度下降算法。也就是說(shuō)，SGD 依賴于從數(shù)據(jù)集中隨機(jī)均勻選擇出的一個(gè)樣本，以評(píng)估每一步的梯度。

結(jié)構(gòu)風(fēng)險(xiǎn)最小化（structural risk minimization/SRM）

這種算法平衡兩個(gè)目標(biāo)：

• 構(gòu)建預(yù)測(cè)性最強(qiáng)的模型（如最低損失）。
• 使模型盡量保持簡(jiǎn)單（如強(qiáng)正則化）。

比如，在訓(xùn)練集上的損失最小化 + 正則化的模型函數(shù)就是結(jié)構(gòu)風(fēng)險(xiǎn)最小化算法。更多信息，參見(jiàn) http://www.svms.org/srm/。可與經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化對(duì)照閱讀。

摘要（summary）

在 TensorFlow 中，特定步計(jì)算的值或值的集合，通常用于跟蹤訓(xùn)練過(guò)程中的模型指標(biāo)。

監(jiān)督式機(jī)器學(xué)習(xí)（supervised machine learning）

利用輸入數(shù)據(jù)及其對(duì)應(yīng)標(biāo)簽來(lái)訓(xùn)練模型。監(jiān)督式機(jī)器學(xué)習(xí)類似學(xué)生通過(guò)研究問(wèn)題和對(duì)應(yīng)答案進(jìn)行學(xué)習(xí)。在掌握問(wèn)題和答案之間的映射之后，學(xué)生就可以提供同樣主題的新問(wèn)題的答案了。可與非監(jiān)督機(jī)器學(xué)習(xí)對(duì)照閱讀。

合成特征（synthetic feature）

不在輸入特征中，而是從一個(gè)或多個(gè)輸入特征中派生出的特征。合成特征的類型包括：

• 特征與自己或其他特征相乘（叫作特征交叉）。
• 兩個(gè)特征相除。
• 將連續(xù)的特征放進(jìn) range bin 中。

由歸一化或縮放單獨(dú)創(chuàng)建的特征不是合成特征。

T

張量（tensor）

TensorFlow 項(xiàng)目的主要數(shù)據(jù)結(jié)構(gòu)。張量是 N 維數(shù)據(jù)結(jié)構(gòu)（N 的值很大），經(jīng)常是標(biāo)量、向量或矩陣。張量可以包括整數(shù)、浮點(diǎn)或字符串值。

張量處理單元（Tensor Processing Unit，TPU）

優(yōu)化 TensorFlow 性能的 ASIC（application-specific integrated circuit，專用集成電路）。

張量形狀（Tensor shape）

張量的元素?cái)?shù)量包含在不同維度中。比如，[5, 10] 張量在一個(gè)維度中形狀為 5，在另一個(gè)維度中形狀為 10。

張量大小（Tensor size）

張量包含的標(biāo)量總數(shù)。比如，[5, 10] 張量的大小就是 50。

TensorBoard

展示一個(gè)或多個(gè) TensorFlow 項(xiàng)目運(yùn)行過(guò)程中保存的摘要數(shù)據(jù)的控制面板。

TensorFlow

大型分布式機(jī)器學(xué)習(xí)平臺(tái)。該術(shù)語(yǔ)還指 TensorFlow 堆棧中的基礎(chǔ) API 層，支持?jǐn)?shù)據(jù)流圖上的通用計(jì)算。

盡管 TensorFlow 主要用于機(jī)器學(xué)習(xí)，但是它也適用于要求使用數(shù)據(jù)流圖進(jìn)行數(shù)值運(yùn)算的非機(jī)器學(xué)習(xí)任務(wù)。

TensorFlow Playground

一個(gè)可以看到不同超參數(shù)對(duì)模型（主要是神經(jīng)網(wǎng)絡(luò)）訓(xùn)練的影響的平臺(tái)。前往 http://playground.tensorflow.org，使用 TensorFlow Playground。

TensorFlow Serving

幫助訓(xùn)練模型使之可部署到產(chǎn)品中的平臺(tái)。

測(cè)試集（test set）

數(shù)據(jù)集的子集。模型經(jīng)過(guò)驗(yàn)證集初步測(cè)試之后，使用測(cè)試集對(duì)模型進(jìn)行測(cè)試。可與訓(xùn)練集和驗(yàn)證集對(duì)照閱讀。

tf.Example

一種標(biāo)準(zhǔn) protocol buffer，用于描述機(jī)器學(xué)習(xí)模型訓(xùn)練或推斷的輸入數(shù)據(jù)。

訓(xùn)練（training）

確定組成模型的完美參數(shù)的流程。

訓(xùn)練集（training set）

數(shù)據(jù)集子集，用于訓(xùn)練模型。可與驗(yàn)證集和測(cè)試集對(duì)照閱讀。

真負(fù)類（true negative，TN）

被模型正確地預(yù)測(cè)為負(fù)類的樣本。例如，模型推斷某封電子郵件不是垃圾郵件，然后該電郵真的不是垃圾郵件。

真正類（true positive，TP）

被模型正確地預(yù)測(cè)為正類的樣本。例如，模型推斷某封電子郵件是垃圾郵件，結(jié)果該電郵真的是垃圾郵件。

真正類率（true positive rate，TP rate）

召回率（recall）的同義詞。即：

TruePositiveRate=TruePositives/(TruePositives+FalseNegatives)

真正類率是 ROC 曲線的 y 軸。

U

無(wú)標(biāo)簽樣本（unlabeled example）

包含特征但沒(méi)有標(biāo)簽的樣本。無(wú)標(biāo)簽樣本是推斷的輸入。在半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的訓(xùn)練過(guò)程中，通常使用無(wú)標(biāo)簽樣本。

無(wú)監(jiān)督機(jī)器學(xué)習(xí)（unsupervised machine learning）

訓(xùn)練一個(gè)模型尋找數(shù)據(jù)集（通常是無(wú)標(biāo)簽數(shù)據(jù)集）中的模式。

無(wú)監(jiān)督機(jī)器學(xué)習(xí)最常用于將數(shù)據(jù)分成幾組類似的樣本。例如，無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法可以根據(jù)音樂(lè)的各種屬性聚類數(shù)據(jù)。用這種方式收集的數(shù)據(jù)可以作為其他機(jī)器學(xué)習(xí)算法（如音樂(lè)推薦服務(wù)）的輸入。聚類在難以獲取真正標(biāo)簽的情景中非常有用。例如，在反欺詐和反濫用的情景中，聚類可以幫助人類更好地理解數(shù)據(jù)。

無(wú)監(jiān)督機(jī)器學(xué)習(xí)的另一個(gè)例子是主成分分析（principal component analysis，PCA）。如，將 PCA 應(yīng)用于包含數(shù)百萬(wàn)購(gòu)物車內(nèi)容的數(shù)據(jù)集中時(shí)，就有可能發(fā)現(xiàn)有檸檬的購(gòu)物車往往也有解酸劑。可與監(jiān)督式機(jī)器學(xué)習(xí)對(duì)照閱讀。

V

驗(yàn)證集（validation set）

數(shù)據(jù)集的一個(gè)子集（與訓(xùn)練集不同），可用于調(diào)整超參數(shù)。可與訓(xùn)練集和測(cè)試集對(duì)照閱讀。

W

權(quán)重（weight）

線性模型中的特征系數(shù)，或者深度網(wǎng)絡(luò)中的邊緣。線性模型的訓(xùn)練目標(biāo)是為每個(gè)特征確定一個(gè)完美的權(quán)重。如果權(quán)重為 0，則對(duì)應(yīng)的特征對(duì)模型而言是無(wú)用的。

寬模型（wide model）

線性模型通常具備很多稀疏輸入特征。我們稱之為「寬」模型，因其具有大量與輸出節(jié)點(diǎn)直接連接的輸入，是一種特殊類型的神經(jīng)網(wǎng)絡(luò)。寬模型通常比深度模型更容易調(diào)試（debug）和檢查。盡管寬模型無(wú)法通過(guò)隱藏層表達(dá)非線性，但它們可以使用特征交叉和 bucketization 等轉(zhuǎn)換用不同方式對(duì)非線性建模。可與深度模型對(duì)照閱讀。

原文鏈接：https://developers.google.com/machine-learning/glossary

總結(jié)

以上是生活随笔為你收集整理的谷歌开发者机器学习词汇表：纵览机器学习基本词汇与概念的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。