《神经网络与深度学习》学习笔记——使用神经网络识别手写数字

该系列是笔者在学习《NeuralNetworksDeepLearning》学习过程中记录的笔记，简单粗暴，大量参考了CSDN上的相同学习帖子，主要用于记录
下面的算法代码来自https://github.com/mnielsen/neural-networks-and-deep-learning，非本人所写

-神经网络的代码核心片段

class Network(object):
    def __init__(self, sizes):
        self.num_layers = len(sizes)
        self.sizes = sizes
        self.biases = [np.random.randn(y, 1) for y in sizes[1:]]
        self.weights = [np.random.randn(y, x)
        for x, y in zip(sizes[:-1], sizes[1:])]

这段代码是创建一个Network类表示神经网络，在这段代码中，列表 sizes 包含各层神经元的数量。
biases：感知器的偏置，一个神经元，需要一个偏置
weights：权重，一个箭头一个权重
例如下图[3,4,1]的三层神经网络

例如，如果我们想创建⼀个在第⼀层有2 个神经元，第⼆层有 3 个神经元，最后层有 1 个神经元的Network 对象，我们应这样写代码：

net = Network([2, 3, 1])

- 函数分析：
- self函数
由于类起到模板的作用，因此，可以在创建实例的时候，把我们认为必须绑定的属性强制填写进去。这里就用到Python当中的一个内置方法__init__方法，这里注意：
（1）、__init__方法的第一参数永远是self，表示创建的类实例本身，因此，在__init__方法内部，就可以把各种属性绑定到self，因为self就指向创建的实例本身。
（2）、有了__init__方法，在创建实例的时候，就不能传入空的参数了，必须传入与__init__方法匹配的参数，但self不需要传，Python解释器会自己把实例变量传进去：这里self就是指类本身。

self.biases = [np.random.randn(y, 1) for y in sizes[1:]]#意 Network 初始化代码假设第⼀层神经元是⼀个输⼊层，并对这些神经元不设置任何偏置，因为偏置仅在后⾯的层中⽤于计算输出
self.weights = [np.random.randn(y