采用的一种技术是推断无标签样本的标签，然后使用推断出的标签进行训练，以创建新模型。
如果获得有标签样本需要高昂的成本，而无标签样本则有很多，那么半监督式学习将非常有用。
序列模型(sequence model)
一种模型，其输入具有序列依赖性。例如，根据之前观看过的一系列视频对观看的下一个视频进行预测。
会话(session)
维持TensorFlow程序中的状态（例如变量）。
S型函数(sigmoid function)
一种函数，可将逻辑回归输出或多项回归输出（对数概率）映射到概率，以返回介于0和1之间的值。在某些神经网络中，S型函数可作为激活函数使用。
softmax
一种函数，可提供多类别分类模型中每个可能类别的概率。这些概率的总和正好为1.0。例如，softmax可能会得出某个图像是狗、猫和马的概率分别是0.9、0.08和0.02。(也称为完整softmax。)
与候选采样相对。
稀疏特征(sparse feature)
一种特征向量，其中的大多数值都为0或为空。例如，某个向量包含一个为1的值和一百万个为0的值，该向量就属于稀疏向量。再举一个例子，搜索查询中的单词也可能属于稀疏特征一在某种指定语言中有很多可能的单词，但在某个指定的查询中仅包含其中几个。
与密集特征相对。
平方合页损失函数(squared hinge loss)
合页损失函数的平方。与常规合页损失函数相比，平方合页损失函数对离群值的惩罚更严厉。
平方损失函数(squared loss)
在线性回归中使用的损失函数（也称为L2损失函数）。该函数可计算模型为有标签样本预测的值和标签的实际值之差的平方。由于取平方值，因此该损失函数会放大不佳预测的影响。也就是说，与L1损失函数相比，平方损失函数对离群值的反应更强烈。
静态模型(staticmodel)
离线训练的一种模型。
平稳性(stationarity)
数据集中数据的一种属性，表示数据分布在一个或多个维度保持不变。这种维度最常见的是时间，即表明平稳性的数据不随时间而变化。例如，从9月到12月，表明平稳性的数据没有发生变化。
人工智能与大数据技术导论
468