《深度学习入门：基于python的理论和实践》读书小结（1）

#本文中的代码可能会与书中范例代码有些许出入，同时在其它平台上在能正确执行的可能性不高，仅供参考用

最近在网上看了几个和人工智能有关的视频，发现人工智能学习门槛比我想象的要低。于是有点膨胀，在网上买了一本入门书籍。
（书封面的咸鱼成功吸引了我的注意）

目前把前4章读完了，下面是根据书中的内容做出来的可以识别28*28像素mnist数据集的程序（事实上，本程序采用的算法效率较低，于是只用了很少的迭代代数，远远达不到准确识别的效果）
下面是代码

from common.functions import *
from common.gradient import numerical_gradient
import numpy as np
from dataset.mnist import load_mnist
import matplotlib.pyplot as plt


class Two_layer_Net:

    def __init__(self,input_size,output_size,hidden_size,weight_init_std = 0.01):
        self.peremters = {}
        #初始化参数
        self.peremters['W1'] = weight_init_std * np.random.randn(input_size,hidden_size)
        self.peremters['W2'] = weight_init_std * np.random.randn(hidden_size,output_size)
        self.peremters['b1'] = np.zeros(hidden_size)
        self.peremters['b2'] = np.zeros(output_size)

    
    def predict(self,x):
        w1,w2 =  self.peremters['W1'],self.peremters['W2']
        b1,b2 = self.peremters['b1'],self.peremters['b2']
        #第一层用sigmoid激活函数
        mid1 = np.dot(x,w1) + b1
        level1 = sigmoid(mid1)
        #第二层用softmax激活函数
        mid2 = np.dot(level1,w2) + b2
        level2 = softmax(mid2)
        return level2

    
    def loss(self,x,t):
        result = self.predict(x)
        return cross_entropy_error(result,t)
    
    def numerical_gradient(self,x,t):
        
        loss_W = lambda  w: self.loss(x,t)
        #对各个参数求导
        grads = {}
        grads['W1'] = numerical_gradient(loss_W,self.peremters['W1'])
        grads['