机器学习得到的那个模型究竟是什么东西？

1. 逻辑代码和参数（保存模型也可以选择只保存参数，下次跑的时候，加载逻辑代码，读取保存的参数）
2. 学习过程就是计算最优参数，需要多次重复计算评估（通过计算训练集的损失率和准确率）
找个教程系统的学习下就知道了，机器学习新手，不对请指正

y=kx ，k （狗头）

推荐观看：
https://www.bilibili.com/video/BV1bx411M7Zx

宏观上看就是暴力数学归纳，哈哈哈

二楼正解，就是 y=ax+b ，1 是求 a 和 b ，2 是给 x 算 y 。部署在哪里取决于要算多少个 x 。

1. 模型可理解为一个函数，给他一个输入（例如一张图片），他会给你一个输出（例如图片的标签或分类），这个函数可以由向量及其他一些数据（如模型架构）表示，例如 3 层 CNN 为架构，但是有无数个 3 层 cnn ，里面有很多参数，都是向量。所有向量都确定后可确定唯一的一个模型或函数。例子，函数 y=wx+b ，x 是输入 y 是输出，wx+b 就是这个函数 /模型的架构（一个负责放缩的参数 w 和一个负责 bias 的 b ），wb 就是参数，在 w ，b 不确定的情况下，y=wx+b 有无数个选择，但如果指定 w 和 b 的值，那么 y=wx+b 就是一个确定的模型或函数。

2. 模型的训练阶段可理解为从一堆函数中，根据一定的目标（即损失函数）及数据，选择你认为最好的函数。训练过程是一个逐渐获取最终结果的过程（俗称炼丹），包含多个迭代，其中每个迭代包括正向传播（计算损失）以及反向传播（计算梯度）两个阶段，每个阶段通常表示为矩阵乘来提升计算速度；这里使用 gpu 计算。

而在这个模型的使用阶段（称为推断或 inference ），相比于训练阶段只需要一个迭代，并且只需要正向传播一次，因此在不需要训练模型的时候（比如部署在你手机上），计算量远远小于训练。例子，模型训练后得到 y=2x+1 ，给定一个输入 x=2 ，只需要计算一次 2*2+1 即可。

最最最简单的情况：

一个班的学生考试成绩出了，但公布的分数被老师改过。现在你有一批原始分数和改后的分数，你可以把这批分数遍历一遍，算出这些学生实际分数和公开分数差值的平均值。现在你有另外一些学生的公开分数，通过前面的平均数，你可以估计这些学生的实际分数。

在这个情景里，那个差值平均数就是模型，训练模型就需要遍历数据集计算，而使用模型只需要在新数据上加上这个平均数就好了，所以计算量小很多。这样好理解了吧？

函数和向量应该都是答案。

用函数表示就是 y = kx+b 。训练过程就是找出这个 k 和 b 。而使用就是把 x 代入，得出 y 。

用向量表示就是，训练过程就是找出[k,b]向量，使用就是使用[x]向量与[k,b]向量进行向量相乘，得出[y]向量。

说错了那个向量乘法应该是矩阵乘法。

1 前面答完了。
2 训练需要大量计算的一个点是因为进行了**多次**迭代计算优化，包括前向和反向。对于使用者来说，只有**一次**前向计算过程。不过直接部署在移动终端上还有对 memory 的占用问题，这就是做量化、蒸馏等策略来压缩模型（参数）大小的地方。

y=ax+b 没有包含非线性！可能会出现些许误导。

概率空间的一个解。

一个大字典

1.最抽象的答案是：y=kx+b
因为实际上存的就是极多个权重，共同构成一个“函数”。说白就是存储了一堆“k”，你可以设想多少个"k"（假设为 float32 ）才能占用到 GB 级别

2.因为很多不同结构的模型也可以得到一样的输出
比如，y=k1x+b, 存在一个函数使 k1 在某个区间恒为 1 ，则可以将"k1"直接等价为 1 ，这样就可以一定程度上减少空间占用，迁移到其他平台。

数学模型吧，本质上可能是个 N 元 N 次方程组