学习框架、算法和模型的关系
十分类为例学习：
（神经元之间是 权重、相乘、相加)
最后有10个输出的神经元
深度学习模型训练的核心流程
用交叉熵损失衡量误差→通过反向传播找到参数对误差的影响（梯度）→用梯度下降不断调整参数，最终让误差降到最低（找到最优解） 的完整优化逻辑～
损失值（LOSS）------图中的那个函数
"LOSS" 就是 "损失函数（Loss Function）" 的简称，在训练中通常用 "损失值（Loss Value）" 来指代损失函数的计算结果。
波形不一定是 U 型，它的形态取决于模型结构、数据分布和任务类型，差异很大。
反向传播：
通过损失函数（CELOSS交叉熵损失，计算他们的误差），波形图中的点（不好），想要优化一下，使梯度下降，让他不断下降，然后求到一个极值（最优解）
CELOSS是分类任务中常用的损失函数，它的核心作用是量化模型预测结果与真实标签之间的误差。
反向传播是实现 "误差回传" 的算法：
- 当模型输出的预测结果误差较大（即损失函数值高，对应你说的 "波形图中的点（不好）"），反向传播会从损失函数出发，沿着网络层反向计算每个参数（权重、偏置）对损失的 "贡献度"（即梯度）。
- 简单说，就是找到 "哪些参数导致了误差" 以及 "影响程度有多大"
得到参数的梯度后，就可以用梯度下降法进行优化：
通过反向传播找到参数对误差的影响是（梯度）
梯度的方向指示了 "损失函数上升最快的方向"，因此我们会沿着梯度的反方向更新参数（即 "梯度下降"），从而让损失函数值不断减小。
把（神经元之间 权重）参数Wx更新，最后得到一个最优的参数，使得损失最小------前面这个操作是通过模型训练得到的
最后会得到一个概率值，就是我们要的。
隐藏层：
让模型拟合一些非线性(为模型引入非线性)，增加模型的表达能力，来拟合更多的情况
"增加非线性以提升表达能力" 是最核心的作用，具体可以拆分为两点：
- 引入非线性 ：深度学习模型的基础是线性变换（如
y = wx + b），单纯叠加线性层无法拟合复杂的非线性数据（比如图像、语音）。ReLu 通过 "截断负数值" 的操作，让模型整体具备了非线性拟合能力。- 缓解梯度消失：在传统激活函数（如 Sigmoid）中，输入值过大或过小时梯度会趋近于 0，导致深层模型训练困难。ReLu 在 x>0 时梯度恒为 1，能有效缓解深层网络的梯度消失问题，让深层模型得以训练。
这里用的是分类中常用的ReLu函数：
当x<0：全为0
当x>0：y=x。
部分复杂的不太好表达，所以用非线性函数，
激活函数来把线性函数盘活，变成了变化能力更强的非线性关系
前面取batch：
**批处理机制：**让模型一次可以塞多个图片进行操作，batch=3;,一次加3个。
深度学习中，为了提高计算效率（利用 GPU 并行计算能力）和稳定训练过程，通常不会单张图片输入模型，而是将多张图片组成一个 "批次（batch）" 一起输入。
best Pth：
最后存储最佳的权重参数 ，然后我们可以用权重参数进行推理。参数加载到模型后，输入图片，用模型推理出图片属于哪个类别。
模型权重的保存与推理流程。
"best Pth" 指训练过程中保存的 "最佳权重文件"（通常以
.pth为后缀，是 PyTorch 等框架常用的权重格式）。训练时会根据验证集性能（如准确率）选择表现最好的一轮权重保存，避免过拟合的权重被保留。学习率（用符号
lr表示)(0.1)过高，每次的步子大，会导致收敛过头。本质上是这些参数在更新时因为步长太大而偏离了最优范围。
小一点合适点
什么是模型参数？
以简单的神经网络为例：
- 权重（
weight）：连接不同神经元的 "系数"，比如输入层到隐藏层的连接强度，类似线性方程y = wx + b中的w。- 偏置（
bias）：每个神经元的 "偏移量"，类似上述方程中的b。这些参数在模型初始化时是随机赋值的，随后会在训练过程中通过反向向传播和梯度下降不断更新，最终收敛到能最小化损失的值。
常见参数总结：
