下载掌阅APP，畅读海量书库
立即打开
模型 这个词经常被不精确地用来指代三个独立但相关的概念。
模型架构
我们在应用中用来学习的一般策略。其包括模型系列的选择，如深度神经网络（DNN）或随机森林，以及结构选择，如DNN的层数或随机森林中树的数目。
模型定义（或配置好的模型）
模型的配置加上训练环境，以及我们要训练的数据的类型和定义。这包括所使用的全套特征，所有的超参数设置，用于初始化模型的随机种子，以及其他任何对定义或重建模型很重要的方面。我们有理由认为整个训练环境是封闭的
，尽管许多人没有考虑到可靠性和系统的影响（特别是，为了获得合理的可重现性，必须对非常大的一系列软件和数据进行仔细的相互之间的版本控制）。
训练过的模型
在某个时间点对特定数据进行训练的“配置好的模型”的具体快照或实例化表示，包含一组特定的“训练过的模型”参数，如权重和阈值。请注意，我们在机器学习中使用的一些软件，特别是在分布式部署中，有相当多的不确定性。因此，用完全相同的数据训练两次配置完全相同的模型，可能会产生明显不同的训练模型。
尽管在本书中，我们尽量不混淆这些概念，但要注意，在整个行业中，它们并没有被仔细区分，我们也可能偶尔会有不清楚的地方。大多数人把这三个概念都称为 模型 。甚至这些术语也都是我们造的，因为没有行业标准的术语来指称 模型 的不同用途。