困惑度与交叉熵的关系如下：
P=2-cross entropy
流水线(pipeline)
机器学习算法的基础架构。流水线包括收集数据、将数据放入训练数据文件、训练一个或多个模型以及将模型导出到生产环境。
正类别(positive class)
在二元分类中，两种可能的类别分别被标记为正类别和负类别。正类别的结果是我们要测试的对象（不可否认的是，我们会同时测试这两种结果，但只关注正类别结果）。例如，在医学检查中，正类别可以是“肿瘤”；在电子邮件分类器中，正类别可以是“垃圾邮件”。
与负类别相对。
精确率（precision）
一种分类模型指标。精确率指模型正确预测正类别的频率，即：
$$
A = A B = \frac { A B } { A C } = \frac { A B } { A B } \times \frac { 1 } { 2 } \times \frac { 1 } { 2 } \times \frac { 1 } { 2 } \times \frac { 1 } { 2 } \times \frac { 1 } { 2 } \times \frac { 1 } { 2 } = \frac { 1 } { 2 } \times \frac { 1 } { 2 } \times \frac { 1 } { 2 } \times \frac { 1 } { 2 }
$$
预测（prediction）
模型在收到输入的样本后的输出。
预测偏差(prediction bias)
一个值，用于表明预测平均值与数据集中标签的平均值相差有多大。
预创建的 Estimator(pre-madeEstimator)
其他人已建好的Estimator。TensorFlow提供了一些预创建的Estimator，包括DNNClassifier、DNNRegressor和LinearClassifier。你可以按照这些说明构建自已预创建的Estimator. 2
预训练模型(pre-trained model)
已经训练过的模型或模型组件（例如嵌套）。有时，你需要将预训练的嵌套馈送到神经网络。在其他时候，你的模型将自行训练嵌套，而不依赖于预训练的嵌套。
先验信念(prior belief)
在开始采用相应数据进行训练之前，你对这些数据抱有的信念。例如，L2正则化依赖的先验信念是权重应该很小且应以0为中心呈正态分布。
附录D 术语列表
465