首页
技术小册
AIGC
面试刷题
技术文章
MAGENTO
云计算
视频课程
源码下载
PDF书籍
「涨薪秘籍」
登录
注册
计算机与人工智能
从简单的预测机开始
分类器与预测器的差别
训练简单的分类器
一个分类器求解问题的局限性
神经元—大自然的计算机器
在神经网络中追踪信号
大有用途的矩阵乘法
使用矩阵乘法的三层神经网络示例
学习来自多个节点的权重
多个输出节点反向传播误差
反向传播误差到更多层中
使用矩阵乘法进行反向传播误差
我们实际上如何更新权重
权重更新成功范例
准备训练数据
使用Python制作神经网络
初始化网络
权重—网络的核心
更加复杂的权重
训练神经的查询网络
完整的代码整理
开始训练任务之训练网络
手写数字的数据集MNIST
准备MNIST训练数据
使用数据集测试网络
使用完整数据集进行训练和测试
一些改进：调整学习率
一些改进：多次运行
改变网络形状
最终代码
实践-自己的手写数字
实践-创建新的训练数据：旋转图像
当前位置:
首页>>
技术小册>>
Python神经网络入门与实践
小册名称：Python神经网络入门与实践
计算机的核心部分就是计算器。这些计算器做算术非常快。 对于执行与计算器相匹配的任务而言，如对数字进行相加算出销售额、运用百分比算出税收、绘制现存数据的图表，这是很不错的。 即使是在计算机上观看网络电视节目或听流媒体的音乐，也只涉及一次又一次地执行简单的算术指令。在互联网上通过管道将1和0输送到计算机，重建视频帧，所使用的算术也不会比你在中学所做的加法运算复杂，这一点也许令你颇为惊奇。 计算机可以以相当快的速度，在1秒钟内进行4位数甚至10位数的相加，这也许给人留下了深刻的印象，但是这不是人工智能。人类可能发现自己很难快速地进行加法运算，然而进行加法运算的过程不需要太多的智慧。简单说来，这只要求计算机拥有遵循基本指令的能力，而这正是计算机内的电子器件所做的事情。 现在，让我们转到事情的背面，掀开计算机的底牌。 让我们观察下面的图片，看看你能认出图片中包含哪些内容。 你和我都看到了人脸、猫和树的图片，并识别出了这些内容。事实上，我们可以以非常高的精确度快速地做到这一点。在这方面，我们通常不会出错。 我们可以处理图像中所包含的相当大量的信息，并且可以成功地识别图像中有哪些内容。但这种任务对计算机而言，并不是那么容易，实际上，是相当困难的。  我们怀疑图像识别需要人类智能，而这是机器所缺乏的。无论我们造出的机器多么复杂和强大，它们依然不是人类。但是，由于计算机速度非常快，并且不知疲倦，我们恰恰希望计算机能更好地进行求解图像识别这类问题。人工智能所探讨的一切问题就是解决这种类型的难题。 当然，计算机将永远使用电子器件制造，因此研究人工智能的任务就是找到新方法或新算法，使用新的工作方式，尝试求解这类相对困难的问题。即使计算机不能完美地解决这些问题，但是我们只要求计算机足够出色，给人们留下一种印象，让人觉得这是智能在起作用。 
下一篇：
从简单的预测机开始
该分类下的相关小册推荐：
Python合辑4-130个字符串操作示例
Python3网络爬虫开发实战(上)
Python机器学习基础教程(上)
实战Python网络爬虫
Python面试指南
Python合辑10-函数
Python合辑9-判断和循环
Python爬虫入门与实战开发(下)
机器学习算法原理与实战
Python合辑11-闭包函数
Python数据分析与挖掘实战(下)
Python合辑3-字符串用法深度总结
