PyTorch是一个用于构建和训练机器学习和深度学习模型的：

卷积神经网络的全连接层中，每个神经元与其前一层的所有神经元进行全连接，用来把前边提取到的特征综合起来。

卷积神经网络中使用池化层可以缩减模型的大小，从而提高计算速度。

对于不同类型的AI模型，其所采用的评价指标也不尽相同。如分类和回归常用的评价指标就不相同。

Tensorflow中Keras序列模型的fit方法，其validation_split则指定验证数据集占全部训练样本的比例

机器学习时，当数据集的特征间具有不同的值范围时，通常采用数据归一化的手段使特征具有相同的度量尺度。

在numpy中，shape属性和reshape()函数的功能都是对于数组的形状进行操作。shape属性可以了解数组的结构，reshape()函数可以对数组的结构进行改变。

在OCR识别中，卷积神经网络可以取代传统方式中特征提取器和分类器的角色。

训练后的模型在正式集成之前，需要评估模型效果是否可用。

在模型训练时，应该根据硬件资源的充足程度来选择合适的算法类型。

在EasyDL中，创建模型后可持续新增模型版本。