深度学习术语

术语	英文	大白话解释
神经网络	Neural Network	一个可以通过「调参数」来学会做任务的程序
层 (Layer)	Layer	网络里的一”排”处理单元，数据从一层流到下一层
全连接层 / 线性层	Linear / Dense	每个输入和每个输出之间都有连接（就是 $y=wx+b$）
权重	Weight (w)	控制输入信号「放大多少倍」的参数
偏置	Bias (b)	控制输出「整体往上或往下移」的参数
激活函数	Activation	给网络加「转弯能力」的函数，没有它只能拟合直线
ReLU	ReLU	最常用的激活函数：负数变0，正数不变
前向传播	Forward Pass	把数据从输入「正着」传到输出，得到预测结果
损失 / 误差	Loss	预测值和真实值的差距有多大（越小越好）
反向传播	Backpropagation	根据误差，倒着算出每个参数该怎么调
梯度	Gradient	告诉你「往哪个方向调参数，误差会变小」
学习率	Learning Rate (lr)	每次调参数的「步子大小」，太大会飞过头，太小训练太慢
优化器	Optimizer	负责拿着梯度去实际调整参数的”工人”
SGD	SGD	最朴素的优化器：每次固定步子往梯度反方向走
Adam	Adam	更聪明的优化器：会根据历史调整步子大小和方向
Epoch	Epoch	把所有训练数据「完整过一遍」叫一个 epoch
训练	Training	反复「预测→算误差→调参数」的过程
推理 / 预测	Inference	训练完了，用模型给新数据做预测
eval 模式	model.eval()	告诉模型”我现在要做预测了，别学习了”
no_grad	torch.no_grad()	告诉 PyTorch “别记梯度了，省点内存”