与传统的机器学习相比，深度学习数据集更加复杂，大多数情况无法查看数据生成数据表。在建模过程中，他们经常在设计模型结构后直接训练模型。一些指标以观察模型的效果。内部神经网络实际上是一个“黑匣子”，因此我们基本上只能控制过程，输入数据和观察结果。观察数据和观察模型过程。在这里，我们在这里这样做以创建一些用于实验的原材料。通过一些实验以理解模型原理，黑匣子更加“白albin”。
因为数据，特性和回归 - 类模型的标签是连续的值，因为现在我们是一个分级数据，然后是建模，因此我们可以生成连续回归类模型的数据。
这是生成两个特征的计划。具有偏差和数据集具有线性关系的自变量由于变量而导致线性关系，以确定线性方程的系数关系？= 2？1-？2+1.标准太分布了），并生成了一定的噪声数据，因为现实生活中收集的数据通常出于各种原因存在一些错误，并且无法完全描述现实世界的客观定律。创建的方法干扰项中的数据也是在数学领域创建数据的常见方法。
使用散射而不是PLT，因为绘图点是，在大数据面上散射更快。要增加线性模型的建模难度，可以增加干扰项目的值比以削弱线性关系。
通过增加运动项目，线性关系将被削弱。
2.4.1线性函数
2.4.2第二级功能
创建具有两个特征的三个类数据集。每个类别包含500个数据，第一类的两个特征遵守4的平均值为4，标准差为2，第二类是2。第三类遵守-6的平均值和2的标准偏差。
类别的类别较少，分类器在此数据集上的性能很好。为了增加分类器的分类难度，可以压缩各种类型的平均值，并且可以增加差异，从而增加了彼此的状况来自两个维图。
在深度学习建模的过程中，梯度下降是解决目标函数的最常用方法。对于具有不同类型的不同功能的目标函数，使用的梯度降低算法也不同。目前，判断小批处理梯度降低（MBGD）是一种更“通用的”优化算法。它具有可以越过局部最小点的随机梯度降低（SGD）的特征。相对快速的收敛速度，在小批处理梯度下降期间，我们需要分批切割功能。
可以看出，标签的顺序已被破坏。