* **样本**（sample）或**输入**（input）：进入模型的数据点。 * **预测**（prediction）或**输出**（output）：从模型出来的结果。 * **目标**（target）：真实值。对于外部数据源，理想情况下，模型应该能够预测出目标。 * **预测误差**（prediction error）或**损失值**（loss value）：模型预测与目标之间的距离。 * **类别**（class）：分类问题中供选择的一组标签。例如，对猫狗图像进行分类时，“狗”和“猫”就是两个类别。 * **标签**（label）：分类问题中类别标注的具体例子。比如，如果 1234 号图像被标注为包含类别“狗”，那么“狗”就是 1234 号图像的标签。 * **真值**（ground-truth）或**标注**（annotation）：数据集的所有目标，通常由人工收集。 * **二分类**（binary classification）：一种分类任务，每个输入样本都应被划分到两个互斥的类别中。 * **多分类**（multiclass classification）：一种分类任务，每个输入样本都应被划分到两个以上的类别中，比如手写数字分类。 * **多标签分类**（multilabel classification）：一种分类任务，每个输入样本都可以分配多个标签。举个例子，如果一幅图像里可能既有猫又有狗，那么应该同时标注“猫”标签和“狗”标签。每幅图像的标签个数通常是可变的。 * **标量回归**（scalar regression）：目标是连续标量值的任务。预测房价就是一个很好的例子，不同的目标价格形成一个连续的空间。 * **向量回归**（vector regression）：目标是一组连续值（比如一个连续向量）的任务。如果对多个值（比如图像边界框的坐标）进行回归，那就是向量回归。 * **小批量**（mini-batch）或**批量**（batch）：模型同时处理的一小部分样本（样本数通常为 8~128）。样本数通常取 2 的幂，这样便于 GPU 上的内存分配。训练时，小批量用来为模型权重计算一次梯度下降更新。