引言：关于大量数据的预测需要通过AI中的黑箱来完成，至于这个黑箱中的参数是怎么调的导致模型跑的通至今为止都没有搞明白，我们只需要了解这个预测的流程即可。
流程：
①数据预处理：首先我们需要将一个数据集导入，这个导入的数据集可能包含图片，也可能包含矩阵数据，我们需要做的是通过transform里的功能将图片的大小转化到统一的大小、将数据的大小等比例的缩小到（0/(-1)~1）[这一步叫归一化]、然后就是将数据类型统一进行转化为tensor型张量，这样我们的解释器才能看懂。预处理完后我们最好将数据分为训练集和测试集方便后面的模型测试。
![]()
②模型的创建：说是创建，实则是上网上“扒”模型，例如CNN、RNN......,然后就是调节具体参数来实现自己的目的
![]()
③训练（过程中包含优化）：这也是一个固定化流程，具体来说就是先计算函数预测值，将预测值与真实值对比来计算均方误差（损失函数），然后通过反向传播、梯度下降算法来进行优化使loss最低。
![]()
④test：将之前分出来的测试集送入模型进行测试，检测是否符合你的预想效果
⑤可视化：通过matplotlib的plt工具进行绘图，使你的预测结果更加直观。
![]()
细节讲解：
一、图像参数讲解：我们拿到手的图片基本都是RGB图像，也就是说这个图像的每个像素点都有三个通道即：R(红)、G(绿)、B(蓝)，每个通道颜色的亮度范围都是(0~255)，这样进行一个简单的计算，每个像素点都可以表示出约1600万种颜色，我们对图像进行转换主要就是进行一个特征提取，将三通道的图像转换为16、64甚至更多通道来细化特征以至于实现预测功能。
二、数据参数讲解：我们拿到手的数据是矩阵类型的，eg.[ [246],[333],[1]
[2],[50] , [100] ],我们进行同比例缩小，使每一个数都尽量处于(0~1),可以使数与概率值一一对应，更加方便。
