1. 模型调试与轻量化方法
通过为模型各层创建"钩子函数"来实时监控参数信息的技术，此方式有助于大幅降低调试阶段的内存占用，实现轻量化分析。
"轻量级网络"的核心思想：通过减少参数量（例如使用全局平均池化）来降低计算成本，使其能在普通计算机上运行，与集成学习的优势形成互斥。
2. 集成学习原理回顾
集成学习通过组合多个基学习器来提升性能的核心思想，前提是这些学习器的表现有差异（各有千秋）且性能都较高。
针对分类问题，明确了采用"投票法"（如多数投票）整合多个模型的预测结果。
针对回归问题，明确了通过"加权取平均"或"普通平均"等方法整合多个模型的连续预测数值，并区分了普通平均与加权平均的不同应用场景。
3. 回归问题的评估标准
在回归问题中，无法直接套用分类问题中的"准确率"。因此，引入了专门的评估指标。
强调"均方误差"（MSE）是评价回归模型优劣的关键标准，它衡量了预测值与真实值之间的差距平方的平均数。
补充说明了"R方"（决定系数）是另一个常用的回归评估指标，用于衡量模型解释数据方差的能力。
为保证模型评估的一致性和公正性，模型在训练集和测试集上的数据预处理步骤（如标准化）必须保持完全相同。