基于Python从零开始的深度学习

Python基础

• Python是一种开源的、简单易记、可以自由使用编程语言。
• 深度学习将使用NumPy和Matplotlib这两种外部库
• Python有“解释器”和“脚本文件”两种运行模式
• Python能够将一系列处理集成为函数或类等模块
• NumPy中有很多用于操作多维数组的便捷方法

类与对象

变量是挂在对象身上的标签

class Man:     
#定义了一个新类Man，类Man生成了实例（对象）m
#类Man的构造函数（初始化方法会接收参数name）
#参数name初始化实例变量self.name（实例变量是存储在各个实例中的变量）
    def __init__(self, name):  
        self.name = name    #通过在self后面添加属性名来生成或访问实例变量
        print('Initialized!')

    def hello(self):
        print("Hello" + self.name +'!')

    def goodbye(self):
        print('Good-bye' + self.name + '!')

m = Man('David')
m.hello()
m.goodbye()        

NumPy

import numpy as np

• NumPy的 N 维数组（矩阵）

A = np.array([1,2] , [3,4])
A.array()    #查看矩阵的形状
A = np.dtype()    #查看矩阵元素的数据类型

• 数组和矩阵的计算工具
• 关于array类型和matrix类型

Numpy中两大重要类型array类型(N维数组ndarray)和矩阵类型matrix是很多基于Numpy数值计算的基础；

Numpy中最重要的数据结构就是ndarry，简写为array， 即N维数组；matrix也是一种array，只不过是维数为2的特殊array，matrix的维数是固定的，这点和一般array显著不同

即便加减乘除各种运算，matrix的维数不会发生变化，而array在运算时特别是归约时维数会发生变化，一句话，matrix的维数永远是

1. 二者之间的转化，array转matrix用np.asmatrix或者np.matrix，matrix转array用np.asarray或者matrix的A属性
2. 行向量或者列向量对应的array和matrix的实际维数

• 广播（broadcast）

在np乘法中，标量被当作是由相同元素组成的的 N 维数组，以便进行和数组进行算术运算

广播的例子：标量10被当作2 × 2的矩阵

• 访问元素

X = np.array([51,55], [14,19], [0,4])

X[0]	#访问第0行元素 -> OUTPUT:array([51,55])

X[0][1]	#访问(0,1)元素 -> OUTPUT:55

#遍历数组中的元素
for row in X:
    print(row)

X = X.flatten()#将X转换为一维数组 - > OUTPUT:[51 55 14 19 0 4]

Matplotilb

import numpy as np
import matplotlib.pyplot as plt

• 绘制sin函数曲线

#生成数据
x = np.arange(0, 6, 0.1)  #以0.1为单位，生成0到6的数据
y = np.sin(x)

#绘制图形
plt.plot(x, y)

plt.xlabel("在此处输入x轴标签")
plt.ylabel("在此处输入y轴标签")
plt.title("在此处输入图像标题")

plt.show()

感知机（perceptron）

• 感知机接收多个输入信号，输出一个信号；
• 感知机的信号只有1/0两个取值

1. 0 对应“不传递信号”
2. 1 对应"传递信号"

有两个输入的感知机

输入信号前往神经元的传输过程中会乘以固定的权重（ \omega_1x_1,\omega_2x_2 ）；只有当输入信号的总和超过阀值 \theta 后，才会输出 1 .

即 y=\begin{cases} 0\ (\omega_1x_1+\omega_2x_2\leq\theta)\\ 1\ (\omega_1x_1+\omega_2x_2>\theta) \end{cases},

令 \theta= -b,

\Rightarrow y=\begin{cases} 0\ (b+\omega_1x_1+\omega_2x_2\leq0)\\ 1\ (b+\omega_1x_1+\omega_2x_2>0) \end{cases}

其中，b被称作偏置.

简单逻辑电路

• 与门（AND gate）

• 与非门（NAND gate）

• 或门（OR gate）

• 与门（AND gate）

- 与门真值表:

x1	x2	y
1	1	1
0	0	0
1	0	0
0	1	0

与门仅在两个输入（ x_1,x_2 ）均为 1 时输出 1 ，其他时候则输出 0 .

• 与非门（NAND gate）

- 与非门真值表：

x1	x2	y
0	0	1
0	1	1
1	0	1
1	1	0

颠倒了与门的输出，即仅当 x_1 和 x_2 同时为 1 时输出 0 ，其他时候则输出 1 .

• 或门（OR gate）

x1	x2	y
1	0	1
0	1	1
0	0	0
1	1	1

以上三种基本电路只有参数的值（权重 \omega 和阈值 \theta ）不同可以用通过调整参数的值改变电路的类型，因此都可以用感知机实现.

Python实现简单逻辑电路

• 与门（仅当输入均为1才输出1）

def AND(x1, x2):    定义一个接收参数x1和x2的AND函数
    w1, w2, theta = 0.5, 0.5 0.7    #在函数内初始化w1,w2,theta
    tmd = x1*w1 + x2*w2
    if tmd <= theta:
        return 0
    elif tmd > theta:
        return 1
#当输入的加权总和超过阀值时返回1，否则返回0

- 导入权重和配置

def AND(x1, x2):
	x = np.array([x1, x2])
	w = np.array([0.5, 0.5])
	b = -0.7
	tmp = np.sum(w*x) + b
	if tmp <= 0:
		return 0
	else:
		return 1

多层感知机（multi-layered perceptron）

• 异或门无法通过单层感知机来表示
• 使用2层感知机可以表示异或门
• 单层感知机只能表示线性空间，而多层感知机可以表示非线性空间
• 多层感知机（在理论上）可以表示计算

异或门（XOR gate）——感知机的局限性

异或门也被称为逻辑异或电路，而单层感知机无法表示异或门.

- 异或门的真值表

x1	x2	y
0	0	0
1	1	0
1	0	1
0	1	1

仅当 x_1 或 x_2 中的一方为 1时，才会输出 1 .

简单逻辑电路组合

import numpy as np

根据之前定义的门：

• OR

def OR(x1, x2):
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])
    b = -0.1
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

• AND

def AND(x1, x2):
    x = np.array([x1. x2])
    w = np.array([0.5, 0.5])
    b = -0.7
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

• 接下来进行电路的组合

def XOR(x1, x2):
    s1 = OR(x1, x2)
    s2 = AND(s1, s2)
    return y

通过叠加层（加深层），感知机能更加灵活的表示.

---

坏消息：感知机必需人工设定权重参数

好消息：神经网络不用，可以自动从数据中学习到合适的权重参数

---

神经网络

我们可以通过分析神经网络与感知机的不同来学习它，即基于感知机的构造来认识神经网络.

激活函数（activation function）

已经学习过，感知机原理的数学表达为： y=\omega_1x_1+\omega_2x_2+b,

引入新函数 h(x), 将其改写为 y=h(\omega_1x_1+\omega_2x_2+b)=h(x),

由此， y=\begin{cases} 0\ (b+\omega_1x_1+\omega_2x_2\leq0)\\ 1\ (b+\omega_1x_1+\omega_2x_2>0) \end{cases} 即可改写为：

y= \begin{cases} 0\ (x\leq0)\\ 1\ (x>0) \end{cases}.

激活函数的计算过程

阶跃函数

- 简单实现

def step_function(x):
    if x >0:
        return 1
    else:
        return 0

- NumPy数组实现

import numpy as np
def step_funtion(x):
    y = x > 0
    return y.astype(np.int)

• sigmoid函数

神经网络中用sigmoid函数作为激活函数，进行信号的转换，转换后的信号被传送给下一个神经元.

- 公式表达： h(x)=\frac{1}{1+\exp(-x)}

---

未完待续.

以上就是“基于Python从零开始的深度学习”的全部内容，希望对你有所帮助。
​
​关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、Python练习题

检查学习结果。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

最后祝大家天天进步！！

上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。