卷积就是特征提取器，通过卷积计算层提取空间信息，例如我们可以用卷积和提取一张图片的空间特征，再把提取到的空间特征送入全连接网络，实现离散数据的分类。但是一些与时间相关的，只可以根据上文预测书下文来预测。

1 InceptionNet

InceptionNet诞生于2014年，当年ImageNet竞赛冠军，Top5错误率为6.67% InceptionNet引入了Inception结构块，在同一层网络内使用不同尺寸的卷积核，提升了模型感知力使用了批标准化缓解了梯度消失

• Inception V1（GoogleNet）——构建了1x1、3x3、5x5的 conv 和3x3的 pooling 的分支网络module，同时使用MLPConv和全局平均池化，扩宽卷积层网络宽度，增加了网络对尺度的适应性；
• Inception V2——提出了Batch Normalization，代替Dropout和LRN，其正则化的效果让大型卷积网络的训练速度加快很多倍，同时收敛后的分类准确率也可以得到大幅提高，同时借鉴VGGNet使用两个3x3的卷积核代替5x5的卷积核，在降低参数量同时提高网络学习能力；
• Inception V3——引入了 Factorization，将一个较大的二维卷积拆成两个较小的一维卷积，比如将3x3卷积拆成1x3卷积和3x1卷积，一方面节约了大量参数，加速运算并减轻了过拟合，同时增加了一层非线性扩展模型表达能力，除了在 Inception Module 中使用分支，还在分支中使用了分支（Network In Network In Network）；
• Inception V4——研究了 Inception Module 结合 Residual Connection，结合 ResNet 可以极大地加速训练，同时极大提升性能，在构建 Inception-ResNet 网络同时，还设计了一个更深更优化的 Inception v4 模型，能达到相媲美的性能。

1 Cifar10数据集

• 提供 5万张 32*32 像素点的十分类彩色图片和标签，用于训练。
• 提供 1万张 32*32 像素点的十分类彩色图片和标签，用于测试。

每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。随着隐藏层增多，网络规模的增大，待优化参数过多容易导致模型过拟合

以MNIST的sequential模型为base-line，通过读取自己的数据，训练模型并存储模型，最后达到绘图实物的运用。

前面已经使用TensorFlow2的原生代码搭建神经网络，接下来将使用keras搭建神经网络，并改写鸢尾花分类问题的代码，将原本100多行的代码用不到20行代码实现。

1 热力学第一定律

1.1 内能，功和热量

• 实际气体内能：所有热分子热运动的动能和分子势能的总和

• 内能是状态量: $E=E(T,V)$

  理想气体内能: $E={\frac{M}{M_{mol}}{\frac{i}{2}}RT}$

  是状态参量T的单值函数

• 系统内能改变的两种方式

1. 做工可以改变系统的状态：摩擦升温（机械功），电加热（电功）
2. 热量的传递可以改变系统的内能：热量是过程量

神经网络是基于链接的人工智能，当网络结构固定后，不同参数的选取对模型的表达力影响很大，优化器就是引导更新模型参数的工具

0.1 欠拟合与过拟合

• 欠拟合：模型不能有效拟合数据集对现有数据集学习的不够彻底
• 过拟合：模型对训练集拟合的太好，而缺失了泛化力

0.1 损失函数（loss）：

预测值（y）与已知答案（y_）的差距