推理和训练是深度学习中两个非常重要的概念。很多初学者可能不太清楚，但是很好区分也很好理解。
如果我们把一个模型比作一个人的话，那么训练过程就相当于初中、高中的学习， 而推理过程相当于去参加高考。
初中高中阶段，我们通过学习大量的知识来训练自己的大脑。在去参加高考的过程中，我们已经不需要去学习新的知识，而是利用已训练好的大脑去解决问题。
神经网络的推理和训练也是这个过程，因此一个模型，想要真正可以运行，可以完成推理，必须要先经过训练。
训练（Training）
学术一点讲，训练是指通过给定的训练数据集，利用深度学习算法来调整和优化模型的参数，使其能够从数据中学习并形成对未知数据的预测能力。
这个过程中训练数据集就相当于我们在初中高中学习书本上的知识。在学习过程中不断调整大脑对于知识的认知，也就类比于模型不断调整和优化参数。
通过训练，模型就能够拥有对数据的预测能力，就好像我们看到一张从未见过的试卷，一样可以把题做出来。
做训练时，我们需要对训练的数据集进行标注，俗称打标签。
假设我们想训练一个模型，让它可以完成图像分类，我们需要对训练的数据集中每一张图像打上类别标签，然后让神经网络不断的去识别这张图像，直到最终模型可以几乎认识所有的图像，此时模型也就训练完成。
不同的任务打标签的方式也是不一样的，图像分类只需要给图像打上分类标签，而检测任务则需要给图像打上坐标标签ÿ
