《动手学深度学习》(TF2.0版)（二）3.深度学习基础
作者：互联网
3.1 线性回归
回归：输出是连续值。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。
线性回归适用于回归问题。
分类：输出是离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。
softmax回归则适用于分类问题。
线性回归和softmax回归都是单层神经网络，它们涉及的概念和技术同样适用于大多数的深度学习模型。
我们首先以线性回归为例，介绍大多数深度学习模型的基本要素和表示方法。
3.1.1 线性回归的基本要素
3.1.1.1模型定义
模型输出 y^ 是线性回归对真实价格 y 的预测或估计。
3.1.1.2 模型训练
模型训练（model training）接下来我们需要通过数据来寻找特定的模型参数值，使模型在数据上的误差尽可能小。
下面我们介绍模型训练所涉及的3个要素。
(1) 训练数据
训练数据集（training data set）或训练集（training set）
(2) 损失函数
给定训练数据集，损失函数表示的误差只与模型参数相关，因此我们将它记为以模型参数为参数的函数。在机器学习里，将衡量误差的函数称为损失函数（loss function）。
(3) 优化算法
当模型和损失函数形式较为简单时，上面的误差最小化问题的解可以直接用公式表达出来。这类解叫作解析解（analytical solution）。线性回归和平方误差刚好属于这个范畴。
然而，大多数深度学习模型并没有解析解，只能通过优化算法有限次迭代模型参数来尽可能降低损失函数的值。这类解叫作数值解（numerical solution）。
3.1.1.3 模型预测
把学出的参数代入线性回归模型，估算训练数据集以外任意一栋面积（平方米）为x1、房龄（年）为x2的房屋的价格。
这里的估算也叫作模型预测、模型推断或模型测试。
3.1.2 线性回归的表示方法
下面解释线性回归与神经网络的联系，以及线性回归的矢量计算表达式。
3.1.2.1 神经网络图
3.1.2.2 矢量计算表达式
参考：
标签：函数,训练,模型,深度,学习,3.1,线性,TF2.0,回归 来源： https://www.cnblogs.com/sybil-hxl/p/13442432.html