在神经网络中，权重W（Weight）和偏置b（bias）作为层的属性，扮演着至关重要的角色。它们不仅是模型的核心组成部分，更是可训练参数（Trainable Parameters），其值在训练过程中会不断被调整。
在训练神经网络时，初始化阶段会将权重W和偏置b设为小随机值，此时模型输出无意义。随后，模型进入训练（Training），根据损失函数梯度调整W和b，以最小化预测误差，即“学习”过程。经过多次迭代，模型能学到数据特征，对未见数据也能准确预测。模型训练（Training）是什么？模型训练是机器学习（Machine Learning）和深度学习（Deep Learning）中的一个关键步骤，它指的是
通过给定的数据集来调整和优化模型的参数，使得模型能够对未见过的数据做出准确的预测或分类。训练集（Training Set）：用于训练模型的数据集。模型通过调整其参数来最小化在训练集上的误差。
验证集（Validation Set）：用于在训练过程中评估模型性能的数据集，但不用于训练。这有助于监控模型是否出现过拟合或欠拟合，并用于调整超参数。
测试集（Test Set）：用于最终评估模型性能的数据集，在训练完成后使用。
损失函数衡量模型预测与实际结果之间的差异，训练的目标是最小化这个损失函数。神经网络模型通过使用优化算法（如梯度下降）来调整模型的参数，以最小化目标函数。
“模型训练是通过给定数据集调整和优化模型参数，以最小化损失函数，从而实现对未见数据准确预测或分类的过程，涉及训练集、验证集、测试集及优化算法的使用。”
模型训练过程是什么？模型的训练过程是通过
循环抽取数据批量、进行前向传播得到预测值、计算损失值、以及反向传播更新权重这四个主要步骤，不断优化模型性能，直至在验证集或测试集上达到满意水平
的过程。数据批量的抽取：从训练数据集中随机抽取一个数据批量，该批量包含多个输入样本x和对应的目标值y_true。
前向传播：将输入样本x输入到模型中，通过模型的各个层进行计算，最终得到预测值y_pred。
损失计算：计算模型在这批数据上的损失值，损失值用于衡量预测值y_pred和真实值y_true之间的差距。
反向传播和权重更新：根据损失值，通过反向传播算法计算模型中每个参数的梯度（即损失值对每个参数的偏导数）。使用优化算法更新模型的权重，以略微减小模型在这批数据上的损失值。
这四个步骤构成一个训练迭代（或称为一个epoch中的一个batch
），在实际的训练过程中，这些步骤会在整个训练数据集上重复多次，直到模型达到预定的训练轮数（epochs）或满足其他停止条件（如验证集上的性能不再提升）。
“一图 + 一句话”彻底搞懂模型训练过程。
“模型的训练过程是循环抽取数据批量，通过前向传播得预测值，计算损失后反向传播更新权重，不断迭代直至性能达标的过程。”
