随书实验须知

书本来源

书本里的代码是python2.7的，所以我建议大家学习的时候都是安装Python2.7来进行实验。如果非要用python3.4的话，我这里把我做的修改，做个参考：

首先是python3.4里面没有cPickle了，所以首先在mnist_loader.py里面要把：

import cPickle

改为：

import pickle as cPickle

并且，用法也稍微有点不同：

UnicodeDecodeError: 'ascii' codec can't decode byte 0x90 in position 614: ordinal not in range(128)报这个错的时候，要改成：

training_data, validation_data, test_data = pickle.load(f, encoding='bytes')，参考这篇博客。

其次，因为在python2里面，map、zip等都返回的是list，所以可以用len()函数，但是现在map和zip都是返回一个对象。

#python2
>>> a = zip((1, 2), (3, 4))
>>> a
[(1, 2), (3, 4)]
#  可以看到这里返回的是一个list

#python3
>>> a = zip((1, 2), (3, 4))
>>> a
<zip object at 0x1007096c8>

所以在所有报object of type 'zip' has no len()地方的时候，都可能需要改成len(list(xxx))。

再次，所有的xrange在python3里都是无效的，要改成range。

最后，即使你改了前面所有的东西………………也不一定能成功跑起来。

我折腾了半天，最后还是决定在自己的阿里云平台上跑，因为上面是python2.7

在上面弄的话，步骤就简单多了，我们以第一个手写输入为例：

首先安装numpy 与scipy

yum -y install gcc gcc-c++ numpy python-devel scipy

然后gitclone代码：

git clone https://github.com/mnielsen/neural-networks-and-deep-learning.git

接着cd进目录，然后执行python，书的作者把代码封装得相当好，所以应该是几行代码就完成，进入python shell之后敲：

import mnist_loader #包含加载数据的python代码

import network #包含network类

training_data, validation_data, test_data = mnist_loader.load_data_wrapper() #加载数据：训练集、交叉验证集、测试集

net = network.Network([784, 30, 10]) #创建三层神经网络，神经元个数分别为784,30,10</span>

net.SGD(training_data, 30, 10, 3.0, test_data=test_data) #训练迭代次数=30, 用于随机梯度下降法的最小样本数=10（mini-batch-size），学习速率=3.0

因为每个人可能的初始权重和偏置是可能不同的，所以开始的过程每个人的结果可能不同。

但是最后一般都能够达到94%以上。

Epoch 29: 9453 / 10000

 经过这一节的学习，我觉得我们可以先不看代码，把概念先过一遍，像我这样在环境配置上和代码上纠缠很浪费时间。建议大家不要学我。