深度学习中的基本概念

损失函数(loss function)：网络如何衡量在训练数据上的性能，即网络如何朝着正确的方向前进
优化器(optimizer)：基于训练数据和损失函数来更新网络的机制
在训练和测试过程中需要监控的指标(metric):比如图像分类，分类经度越高越好，即正确分类的图像所占的比例
张量(tensor):存储数据的多维数组
张量的维度(dimension):通常称呼这个为轴(axis)
标量(0D张量):仅包含一个数字的张量叫作标量(scalar, 也叫标量张量、零维张量、0D张量)
向量：数字组成的数组叫做向量或一维张量(1D张量)，一维张量只有一个轴，向量中有N个元素，成为[N]D向量，与[N]D张量是完全不同的概念。[N]D张量有N个轴(沿着每个轴可能有任意个维度)
矩阵：由向量组成的数组或二维张量(2D张量)。矩阵有两个轴(通常叫作行和列),第一个轴上的元素叫作行(row)，第二个轴上元素叫作列(column)
轴的个数(阶):[N]D张量有N个轴，矩阵有2个轴。在Numpy等Python库中也叫张量的ndim。
形状：是一个元数组，表示张量沿每个轴的维度大小(元素个数),(m,n,....)。向量的形状只包含一个元素(N,)，而标量的形状为空()
数据类型(在Python库中通常叫作dtype):张量中包含的数据类型，例如，int32，float32等。Numpy不存在字符串张量，因为张量存储在预先分配的而连续内存段中，而字符串的长度是可变的，无法用这种方式存储。