a和b叫参数，超参数应该是训练前定的参数，比如iteration_num和学习速度a
【 在 alwaysfaint (熊二出没) 的大作中提到: 】
: 虽然是搞这个领域的，但仍然觉得说不太明白，不太好给别人科普
: 举个最简单例子，我们假定神经元就是两输入一个输出a*x1+b*x2=y,输入是两个x，输出是一个y
: 现在我要学习一下，有100组x1,x2和y，迭代99次，得出了a和b，别想的那么绝对，这种一元二次方程无解之类的问题。那么好，我们假定最终结果是a=1.1，b=2.2，这两个数字就是学习之后的超参数，反正我是学完了，超参数数量就是两个，只要我日后不再继续学习，超参数的值和数量都不变了，这就是个神经网络。
: 一般模型呢，也无非就是加减乘除卷积池化变点花花样，这些也不重要，重要的是轻量级的模型设计好了，层数就这么多，每层的参数（学好了就是超参）就固定了，参数越多，系统约复杂，对输入的感知约模糊（嗯，不可名状）。另外还有迭代的次数，迭代的越多，见识就越广；然后模型做的越来越大。貌似一切都在向着好的方向发展，机器可以超越人类
--
FROM 39.144.45.*