深度学习入门1—Python入门+感知机

在学习《深度学习入门 基于Python的理论与实现》这本书的过程中，本人随笔记录总结了相关内容：

第1章 Python入门

主要学习使用Numpy + matplotlib库手动实现简单的深度学习模型

• numpy：数值计算库，提供了很多高级的数学算法和遍历的数组（矩阵）操作方法
• matplotlib：用来画图的库，能将实验结果可视化，并在视觉上确认深度学习运行期间的数据

安装Anaconda3.x发行版，包含了这两个库

• 生成numpy数组：np.array()方法，接收Python列表作为参数，生成numpy.ndarray数组

• 生成N维数组：就是使用列表的方式，存储多层数组

• 例如2维数组：A = np.array([[1,2], [3,4]])

矩阵（数组）可以在相同形状的矩阵间以对应元素的方式进行，也可以通过标量进行算术运算

使用标量进行算术运算是通过广播功能实现的。

第2章 感知机

• 感知机：接收多个输入信号，输出一个信号

由输入节点和输出神经元组成，输出只有 1 或者 0 （只有流动 或者 不流动）

每个输入节点都对应一个权重wi，输入信号被送往神经元时都会被分别乘以固定的权重，神经元会计算传送过来的信号的综合：w1x1 + w2x2 + … ，只有当这个总和超过了某个 阈值 时，神经元就被激活，此时神经元就输出 1，否则输出0。

使用感知机可以表示 与门，与非门、或门的逻辑电路，实现三种电路的 感知机构造是一样的，三个门电路只有 参数的值（权重 和 阈值）不同。 也就是 相同构造的感知机，只需要通过适当的调整参数的值，就可以表演不同的角色，变身为与门，与非门、或门。

• 真值表：训练数据，然后我们人为定义参数可以实现与门，与非门、或门。

• 机器学习：将决定参数值的工作交给计算机自动进行，通过学习训练数据 来确定合适的参数，人需要做的就是 思考感知机的构造（模型），并把训练数据交给计算机。

权重是深度学习里面最难的点

学习了使用一层感知机实现与门，与非门、或门，进而可以学习使用多层感知机实现异或门。