机器学习（machinelearning)
一种程序或系统，用于根据输入数据构建（训练）预测模型。这种系统会利用学到的模型根据从分布（训练该模型时使用的同一分布）中提取的新数据（以前从未见过的数据）进行实用的预测。机器学习还指与这些程序或系统相关的研究领域。
均方误差(Mean Squared Error，MSE)
每个样本的平均平方损失。MSE的计算方法是平方损失除以样本数。TensorFlowPlayground显示的“训练损失”值和“测试损失”值都是MSE。
指标（metric）
你关心的一个数值。可能可以，也可能不可以直接在机器学习系统中得到优化。你的系统尝试优化的指标称为目标。
Metrics API(tf.metrics)
一种用于评估模型的TensorFlow API。例如，tf.metrics.accuracy用于确定模型的预测与标签匹配的频率。在编写自定义Estimator时，你可以调用MetricsAPI函数来指定应如何评估你的模型。
小批次（mini-batch）
从训练或推断过程的一次迭代中一起运行的整批样本内随机选择的一小部分。小批次的规模通常介于10和1000之间。与基于完整的训练数据计算损失相比，基于小批次数据计算损失要高效得多。
小批次随机梯度下降法(Mini-Batch StochasticGradient Descent，SGD)
一种采用小批次样本的梯度下降法。也就是说，小批次SGD会根据一小部分训练数据来估算梯度。VanillaSGD使用的小批次的规模为1。
ML
机器学习的缩写。
模型(model)
机器学习系统从训练数据学到的内容的表示形式。多含义术语，可以理解为下列两种相关含义之一：
●一种TensorFlow图，用于表示预测计算结构。
该TensorFlow图的特定权重和偏差，通过训练决定。
人工智能与大数据技术导论
460