深度学习模型的基本要素和表示方法_深度学习数据模型 自有变量可以不是时间吗

深度学习模型基本要素

模型

输入和输出之间的函数关系。
比如房屋价格预测作为例子，房屋面积、房龄这两个自变量，与售出价格这个因变量，自变量与因变脸之间的数学关系，就是一个模型（model）。中学数学上，一般假设自变量和因变量之间的关系为函数关系，书中假设是线性关系，是一种特殊的函数关系。
中学数学中，涉及到的函数有一次函数、二次函数、反比例函数、正弦函数、余弦函数、指数函数、对数函数等，再加上这几类函数的复合所构成的较复杂的函数解析式。遇到的题目基本是：已知一组或几组自变量与因变量的值求函数解析式、分析函数性质、求导数、求积分、求函数极值等。我们可以看到，我们所研究的都是函数本身，对于这些函数是否跟实际相关、以及如何与实际联系起来，并不是高中的学习目标。而大学数学建模竞赛则是关注的这个方面，要求学生对实际问题进行分析，构建数学模型（其实就是函数），并求解。硕士期间学习工程优化方法，也是跟这个息息相关的，当时授课老师说，优化问题，首先要有数学模型，然后才有优化目标，数学模型建好了，优化问题就好解，模型建不好，优化问题就不好解。
而现在我所学习的深度学习，其本质逻辑是，给某类问题规定一种建模的大致方向（Neural Network，CNN，RNN，LSTM），给定一个评价模型好坏的标准（损失函数），这样就得到了关于模型参数的函数，而自变量和因变量都成为损失函数的已知信息，这个损失函数可以表示为 $L(\theta )$，学习的目标便表示成 a r g m a x θ   L ( θ )