很多新手在初學機器學習/深度學習中，會產生這樣的疑問？為什么要訓練模型，模型是什么，如何訓練......
本人剛開始接觸時也產生過類似地疑問，現在為大家排解這些疑問。
1、機器學習中大概有如下步驟：
- 確定模型----訓練模型----使用模型。
- 模型簡單說可以理解為函數。
- 確定模型是說自己認為這些數據的特征符合哪個函數。
- 訓練模型就是用已有的數據，通過一些方法（最優化或者其他方法）確定函數的參數，參數確定后的函數就是訓練的結果，使用模型就是把新的數據代入函數求值。
通俗來講：
你可以把機器想象成一個小孩子，你帶小孩去公園。公園里有很多人在遛狗。
簡單起見，咱們先考慮二元分類問題。你告訴小孩這個動物是狗，那個也是狗。但突然一只貓跑過來，你告訴他，這個不是狗。久而久之，小孩就會產生認知模式。這個學習過程，
就叫“training”。所形成的認知模式，就是”model“。
訓練之后。這時，再跑過來一個動物時，你問小孩，這個是狗吧？他會回答，是/否。這個就叫，predict。
一個模型中，有很多參數。有些參數，可以通過訓練獲得，比如logistic模型中的權重。但有些參數，通過訓練無法獲得，被稱為”Hyperparameter (超參數)“，比如學習率等。這需要靠經驗，過着grid search的方法去尋找。
上面這個例子，是有人告訴小孩，樣本的正確分類，這叫監督學習。
還有無督管學習，比如小孩自發性對動物的相似性進行辨識和分類。
2、如何訓練模型？
首先得定義一個損失函數，加入輸入樣本，根據前向傳播得到預測試。跟真實樣本比較，得到損失值，接着采用反向傳播，更新權值（參數），來回不斷地迭代，直到損失函數很小，准確率達到理想值即可。這時的參數就是模型需要的參數。即構建了理想的模型。