类脑计算的主要目标是：

在深度学习中,循环神经网络RNN由于其具有记忆性的特点，常用于自然语言处理等领域。

深度学习的神经网络，通常是指包含多个隐藏层的神经网络。

Transformer内部由编码器和Decoder构成

Transformer最初应用于自然语言处理并取得较好的效果

使用EasyDL平台内置的OCR识别模块来识别图片中的文字信息，不需要对模型进行训练就可直接使用。

可从训练数据集中切分出验证集，验证集中的数据将不参与训练模型,而是用于验证训练后的模型,从而增强其泛化能力。

神经网络中损失函数的作用一般是衡量神经网络的输出与预期值之间的距离，以便控制、调节参数。

模型训练中导致过拟合的原因往往是模型过分地考虑了训练集中已知数据的自身特性（如噪声数据），而导致对未知的测试集中新样本的预测能力降低。

激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数。

全连接层如果输出值采用softmax逻辑回归进行分类，该层也称为softmax层。