(Ioffe and Szegedy, 2015)，这是一种流行且有效的技术，可持续加速深层网络的收敛速度。 加速深层网络的收敛速度，能够训练更深的网络 从数据处理的灵感来的，使

和单 GPU 相比，许要考虑的是各个网络层计算的交汇。 目前基本了解就行，后续有需要再加深 参考： 多 GPU 训练从零开始实现 多GPU的简洁实现 概述 不用考虑太复

概念 经验风险是训练数据集的平均损失，而风险则是整个数据群的预期损失。 风险也就是深度学习追求的泛化误差，因为不可能获得所有数据所以没有办法解决

测试文章的发布功能，使用 Obsidian 创建的文件发布到 hugo 中 图片测试：

概述 深度学习 核心要素： 数据（data） 样本 独立同分布 包含特征（feature） 模型（model） 目标函数（objective function

编译工具链 本地编译 在当前 PC 编译出来的可执行程序，可在当前 PC 环境中执行。即在当前 PC 环境下编译出了相同 CPU 体系结构的可执行程序。如 x86 PC 编译的可执行