今天來介紹一下深度學習的概念，框架跟之前介紹的式子一樣，找 $h^* = \mathop{\arg\min}{h \in \mathcal{H}} \sum{i=1}^N \lambda(h, (x_i, y_i))$，其中 $h \in \mathcal{H}$，然而 $\mathcal{H}$ 到底長怎樣呢？之前還沒有好好定義。

假設集合 Hypothesis Class

在深度學習的領域裡，常會聽到模型架構（Model Architecture），像是 AlexNet、ResNet-17、UNet 等各式各樣的模型架構，當我們定義好一個模型架構，其實就是定義一個假設集合。

每個模型是由層（Layer）所堆疊組合起來，像是卷積層（Convolution）、最大池化層（Max Pooling）、扁平層（Flatten）、批量標準化層（Batch Normalization）等許許多多不同的層，每個層其實就是一個函數 $f_{\theta_l}^{[l]}(x): \mathbb{R}^N \rightarrow \mathbb{R}^M$，然後堆疊起來就是一個模型，每個函數都有對應的參數（係數等）$\theta_l$。我們將 $f \circ g$ 定義成 $f(g(x))$，則最後模型 $F_\theta = f^{[N]} \circ f^{[N-1]} \circ \cdots \circ f^{[1]}$，其中 $\theta = \left{\theta_1, \ldots, \theta_N \right}$，當定義好一個架構後，我們就可以用之前提到的最佳化演算法來找到最好的 $\theta$ 使得 $\lambda$ 最小，也就是我們要的 $h^*$ 了。