我训练了一个非常简单的神经网络来从图像中找出一些特征。这有点像反向图形。神经网络将接收图像并尝试估计其特征。这些特征可以完整地描述图像（如逆图-见ps2）。因此，我们可以使用它们通过“渲染功能”来重建图像。显然，网络存在一定的误差，图像无法准确重建。
我将“重建图像”输入模型并获得了一些新的“估计特征”。我重复了这一点，一段时间后，“估计特征”已经收敛到某个值。不是'真正的价值' 当然，但有些东西。这个重复的估计收敛以及这个重复过程的损失收敛是什么意思？它对任何事情都有用吗？例如，以更有效的方式训练神经网络模型。
这是估计参数与每个参数的实际值的收敛图。颜色代表每个参数。线是每个反馈循环迭代中的估计值，“+”是实际值。

• ps1：损失太高了，因为我想展示它是如何收敛到某个东西上的。随着更多的训练，损失减少并且距离变得非常小。
  
• ps2：对于反向图形，你可以想象一组像（x，y，宽度，高度，厚度）这样的特征可以用来绘制一个矩形。然后，渲染的图像可以输入模型以找到 (_x, _y, _width, _height, _thickness) 的估计特征
  
• ps3：所有样本的第 5 个特征的 True 和估计值为 0