2018-11-23随笔

这个月趁着双十一买了几本关于深度学习理论与TensorFlow等深度学习框架的书。

首先是日本斋藤康毅学者著（陆宇杰译）的《深度学籍入门-基于Python的理论与实现》。

该书的主旨是通过简单的工具形象地介绍神经网络的基础理论，然后过渡到深度学习。仅适用了Python的基础函数与numpy库。

以下是每章节的内容：

1. 介绍Python语言，简述了基本语法。（这里简单介绍没什么好说的，Python基本语法可以花几天时间看《Python基本编程》过一遍，有其他语言基础的可能一两天看完了）。但是我总感觉自己看了一年基本语法的感觉，迟迟无法入门-_-|||
2. 介绍感知机

• 传统的感知机，感知机只有‘0/1’两种取值，两个输入，一个输出。 

  线性系统（权值w为一次方）y=f(x1,x2)，f=w₁x₁+w₂x_{2，当f>γ，输出1；当f<γ，输出0。}

  想象在直角坐标系中，分布着四个点，当四个点或者三个点均是同种类型输出时，能很轻易用一条直线将其分开。在其中两个点为同种类型时，两个点处于同一边，则同样用一条直线可以分开，但如果是呈对角分布，则为一个非线性系统，即无法通过一条直线将其分开。
• 传统的与门，与非门，或门均可以使用简单一层感知机实现，但是异或门为非线性系统，需要使用两层感知机进行划分，即通过X1与X2分别计算或门S1和与非门S2,再用S1和S2构造与门得到结果。这就是多层感知机的实现。

  ---

  1 def XOR(x1,x2):
  2     s1=NAND(X1,X2)
  3     s2=OR(X1,X2)
  4     result=AND(s1,s2)
  5     return result

  但是这些感知机都是阶跃函数的表示结果，只有0/1两种状态，后面会说到sigmod函数、relu函数等激活函数（即转换输出函数）用于神经网络中神经元的表达。

下一章节说感知机到神经网络的过渡，并推理一下神经网络的前进学习推理过程，然后阐述误差反向传播更正权值的实现。2018/11/23

 

转载于:https://www.cnblogs.com/ddl-2018/p/10009741.html