* **樣本**（sample）或**輸入**（input）：進入模型的數據點。 * **預測**（prediction）或**輸出**（output）：從模型出來的結果。 * **目標**（target）：真實值。對于外部數據源，理想情況下，模型應該能夠預測出目標。 * **預測誤差**（prediction error）或**損失值**（loss value）：模型預測與目標之間的距離。 * **類別**（class）：分類問題中供選擇的一組標簽。例如，對貓狗圖像進行分類時，“狗”和“貓”就是兩個類別。 * **標簽**（label）：分類問題中類別標注的具體例子。比如，如果 1234 號圖像被標注為包含類別“狗”，那么“狗”就是 1234 號圖像的標簽。 * **真值**（ground-truth）或**標注**（annotation）：數據集的所有目標，通常由人工收集。 * **二分類**（binary classification）：一種分類任務，每個輸入樣本都應被劃分到兩個互斥的類別中。 * **多分類**（multiclass classification）：一種分類任務，每個輸入樣本都應被劃分到兩個以上的類別中，比如手寫數字分類。 * **多標簽分類**（multilabel classification）：一種分類任務，每個輸入樣本都可以分配多個標簽。舉個例子，如果一幅圖像里可能既有貓又有狗，那么應該同時標注“貓”標簽和“狗”標簽。每幅圖像的標簽個數通常是可變的。 * **標量回歸**（scalar regression）：目標是連續標量值的任務。預測房價就是一個很好的例子，不同的目標價格形成一個連續的空間。 * **向量回歸**（vector regression）：目標是一組連續值（比如一個連續向量）的任務。如果對多個值（比如圖像邊界框的坐標）進行回歸，那就是向量回歸。 * **小批量**（mini-batch）或**批量**（batch）：模型同時處理的一小部分樣本（樣本數通常為 8~128）。樣本數通常取 2 的冪，這樣便于 GPU 上的內存分配。訓練時，小批量用來為模型權重計算一次梯度下降更新。