《Python神经网络编程》的读书笔记
全书总评
- 书本印刷质量:4星。纸张是米黄色,可以保护眼睛;印刷清楚,文字排版整洁,基本没有排版过程中引入的错误,阅读不累眼睛。但是可能是Word排版,感觉数学公式的排版不是太好。
- 著作编写质量:4星。简单,易懂,入门很好。可能是为了帮助读者克服对数学的恐惧,所以多用图来说明。但是,没有数学的神经网络本质上还是空中楼阁,过于淡化数学的作用反而使推导部分读起来费劲。
- 著作翻译质量:3星。没有明显的问题,基本使用的都是业界常用词汇。其实给3~4星我都在犹豫,因为翻译本身没有错误,作者也不是靠机翻了事,但是作为一本入门图书,过于长的句子(英文表述的风格)使人经常会看着看着就从书中“出戏”了,影响思绪的连贯性。
- 代码质量:4星。代码问题不大,还可以去GitHub下载。作者的GitHub,热心读者的GitHub和CSDN-Blog
- 总结:如果还想进一步了解神经网络,请移步《神经网络与机器学习》;如果想进一步了解Python,请稳步Python书籍总结。如果想进入机器学习的行业,还是找机会精读一遍《高等数学》、《线性代数》和《概率统计》吧,对于后期了解原理绝对是有好处的。
读书笔记
C01.神经网络如何工作?
- 计算机能干啥?打游戏、听音乐、看视频,还可以图像识别、知识推理等等。
- 预测机能干啥?不是程序员教的知识,而通过学习得到的知识,用来处理未来的问题
- 分类器能干啥?对数据进行区分,例如:苹果与香蕉,通过学习,找出它们的特征,从而学会分辨
- 分类器如何训练(学习)?先学习正确的知识,如果结果不对就调整记忆,最终全部答对正确的知识
- 分类器如何解决更为复杂的问题?多个学习单元一起学习
- 神经元的基本原理:计算机的神经网络只是生物神经元的仿真,或者叫数学解释,或者叫计算机模拟。
- 信号在神经网络中如何流动?
- 怎样简化神经网络的表示:矩阵。
- 使用矩阵乘法来表示三层神经网络的例子。
- 神经元的权重如何学习?基本原理
- ★反向传播误差算法(11~13)
- 多层神经网络的误差是如何反向传播的?
- 误差如何反向传播到更多层中?
- 简单的3层神经网络:输入层+隐藏层+输出层,误差如何在隐藏层中传播来修改权重。
- 如何使用矩阵乘法来描述反向传播误差?
- 如何更新神经网络的权重?数学算法(梯度下降)
- 权重更新的具体案例。
- 神经网络训练的过程:输入(准备训练数据)、权重(随机初始化)、输出(误差函数优化)
C02.使用Python进行DIY
- Python是啥?一种非常利于阅读的编程语言,适合非计算机专业人员学习和使用
- IPython是啥?交互式Python。
- Python怎么用?就是帮你基本了解Python,方便后面看Python代码。
- 使用Python制作神经网络:进入正题了,跟着作者输入一遍代码,可以加深理解。
- 数据集MNIST:进入真正的实用项目了。
- 输入完整的代码;(有地方看不懂,是因为书中给出的Python说明远远不够,但是别在意这些不懂,继续前进,先明白神经网络可以干啥)
- 用小的数据集训练和测试神经网络,会发现对于复杂一点的样本就无法正常识别了;
- 使用完整的数据集训练和测试神经网络,这次耗时有点长,但是准确率会大大提升,看样子多花点时间学习是值得的;
- 一点改进:调整学习率,会发现效果不一样了,为什么呢?具体原理可以参考《神经网络与机器学习》
- 一点改进:多次运行,同样的训练数据再学习一次还能够提高识别率,但是如果次数过多会出现过拟合,参考《神经网络与机器学习》;
- 一点改变:调整隐藏层的节点数目,可能会影响识别率(P146,图),参考《神经网络与机器学习》;
C03.开拓思维
- 自己创造数据:用画图软件创造一个图片用于识别,图片大小必须是(28*28)像素格式的;
- 神经网络的秘密:
- 神秘的黑盒子:像人一样有冗余能力,少量的损失只会影响精度,不会完全失去能力;
- 逆向查询:把输出变输入,输入变输出,可以发现神经网络到底从数据中学到了什么;
- 创建新的训练数据:真实情况下数字可能是扭曲的、旋转的、不规范的,创造这样的数据试试网络的识别率,想想识别不出的原因?
附录A。微积分简介
如果你对大学数学心存恐惧,那么试着读读这本书中的微积分介绍,可能会帮助你理解极限和求导,甚至还有高阶的链式法则,至少让你心里觉得原来高等数学没有想像中的那么难。
当然,学习数学依然还是考验毅力的一项活动,一本数学书看个一年都是常事,数学专业的同学常说“实变函数学十遍,泛函分析胆泛寒”。
附录B。树莓派
这个对于中国同学似乎用处不大,中国人民突然变得钱多多起来,电脑已经是上大学的标配了。当然如果有时间,试着玩玩还是很有趣的,而且树莓派的应用范围非常广泛,学了不吃亏。