Python神經網絡編程

有的人寫書短小精悍，有的人寫書淺顯易懂，本文作者明顯屬於後者。這是一本非常好的神經網絡入門書籍，作者把前饋網絡、BP算法、梯度下降等概念解釋得非常透徹，各類難點也都結合圖例給出了生動的說明與解釋。 本書的三章都值得一讀，但如果時間有限只讀第一章也可。第一章講述了神經網絡的基本原理，規避了新人可能遇到的一些問題;第二章用MNIST手寫字符集的例子進行手把手教學，算是比較初級的項目，很適合入門;第三章進行了很多關於神經網絡的發散討論，有些點很有啓發性，值得一讀。 本書算是很好的神經網絡入門書，而不是Python入門書。作者在介紹神經網絡時深入淺出，而介紹Python時就有些避重就輕，一些核心庫和代碼的介紹就顯得比較敷衍，一帶而過了。因此不斷能在評論裏面看到大家的吐槽。 附錄的微積分部分主要解釋了求導的原理，而樹莓派部分則只是換了個操作系統，並沒有用到樹莓派的許多特性。附錄部分可以不看。

果斷給五星。非常通俗易懂，妙趣橫生的神經網絡編程書籍。 當前，深度學習和人工智能的發展和應用給人們留下了深刻的印象。神經網絡是深度學習和人工智能的關鍵元素，然而，真正瞭解神經網絡工作機制的人少之又少。本書用輕鬆的筆觸，一步一步揭示了神經網絡的數學思想，並介紹如何使用Python編程語言開發神經網絡。 本書將帶領您進行一場妙趣橫生卻又有條不紊的旅行——從一個非常簡單的想法開始，逐步理解神經網絡的工作機制。您無需任何超出中學範圍的數學知識，並且本書還給出易於理解的微積分簡介。本書的目標是讓儘可能多的普通讀者理解神經網絡。讀者將學習使用Python開發自己的神經網絡，訓練它識別手寫數字，甚至可以與專業的神經網絡相媲美。 本書適合想要了解深度學習、人工智能和神經網絡的讀者閱讀，尤其適合想要通過Python編程進行神經網絡開發的讀者參考

認識神經網絡的第一本書，既通俗易懂又妙趣橫生。可操作性強，可以很快完成神經網絡程序的編寫。 本書的精華在於第一章，雖然全是理論上的數學思想，但作者講得非常精彩，把神經網絡的數學推導完完全全地展現了出來，而且還不需要讀者具備高深的數學基礎（懂簡單的微積分就行，不懂也沒關係，附錄A有微積分的介紹）。通過第一章的剖析，讓人真真切切地體會到算法的基礎必須得是數學，數學的優美與簡潔可以擴展計算機的功能，實現深度學習與人工智能。 關於人工智能，作者說得很直白，就是想方設法讓計算機看起來更像人腦，只是看起來像，不能成爲人腦。就好像魔術一樣，並不是真的。這本書讓我對人工智能和深度學習建立了興趣，原來其實現起來並不複雜。後續將開始相關方面的進一步學習，打算從三本“聖經”開始——魚書、花書、西瓜書。

這是我的第一次五星。 1、開篇讀者吹過的牛都在我身上實現了，我居然跑了一個神經網絡的程序，設計60000數據量。 2、作者深入淺出的講解了神經網絡的機理 3、全書毫不拖泥帶水，該有的代碼都有，做到了手把手教學。還會讓你安心，認爲自己肯定能學會。厲害就厲害在它做到了。 4、對於數學的講解簡直太妙了，這裏的數學，他的針對性與工程性極強，能讓讀者對數學該怎麼學有一個跨越式進步的認識。 另外我相信工程此種類讀物能夠進入到大家的視野，也希望中國在理工科類的教育水平上能得到優質的提升。

《深度學習的數學》和《Python神經網絡編程》兩本書都很優秀。但是相對來說，《深度學習的數學》對普通讀者更友善，本書就更適合有編程基礎的朋友們了。 相較於用excel進行實驗，使用python進行的實驗，實在是爲難我。還好有文心一言幫忙理解，並糾正錯誤。經過修改修改測試測試，代碼最後是運行通了，但是卡在系統判斷我的CSV文件並不包含實際的 784 個像素值，而我又不會替換上面，怎麼也推不下去了（關鍵我也不知道怎麼讓文心一言幫我修正這個問題）。 希望哪天返回來看的時候，突然就通了吧...

一個小白居然能跟着作者一步一步構建一個神經網絡，太讓人驚喜了！淺顯易懂，應該算是草履蟲能學會的級別。 https://github.com/zpf2617 代碼我上傳到github上了，大家有興趣的可以看看。 代碼我捋了一遍，純小白走了不少坑。 訓練，測試，保存權重矩陣，反向輸出測試，樣本代碼圖形化，圖片生成樣本數據 python3.9.13版測試成功，IDE用的vscode，按小白的理解註釋的很囉嗦，大神們不要笑話我

《Python神經網絡編程》是難得的“反框架”入門經典，作者摒棄了直接調用現成庫的速成路徑，從梯度下降、反向傳播的數學推導講起，全程用純Python手寫神經網絡實現手寫數字識別，把“黑箱”算法拆解爲可逐行調試的透明模塊。它解決的不是“怎麼用工具”的問題，而是“模型爲什麼有效”的本質困惑，連附錄的微積分講解都足夠友好，讓初學者真正建立對神經網絡的具象認知，而非只會調API的“工具人”。

好友推薦，堅持看完了。一個簡單、完整、有實際效果的三層神經網絡的實例。從原理到實現，節奏把握的很好，讀起來比較舒服。部分numpy的代碼，因爲numpy升級的原因，已有變化，看一下書友的筆記即可。另外，在ai的加持下，基本上代碼在vscode下已經可以整塊整塊的補全了，省卻了搬運代碼的時間。

啪的一下，很快啊，花了一整天看完了[讓我看看]。說說看法，這本書深入淺出，將神經網絡講的明明白白的，數學原理也並不深奧。昨晚上本來只打算隨便看看前幾頁的結果一發不可收拾。。。。

1.基本公式 權重是最簡單的線性函數，爲同時計算同個輸入數值，先計算x=x₁w₁+x₂w₂+……之後再代入相應的函數以計算複雜問題。 最簡單的是y=1/(1+e⁻ˣ)，以1/2爲界，得出該位最終輸出1還是0。 2.矩陣 矩陣是根據生物神級網得到靈感，一種優越的並行式計算模式。 兩個相同的n*n大小的矩陣，一個用來輸入數值，另一個用來計算。 計算矩陣（除輸入層）的每個位點，既要接收輸入矩陣的數值輸入，還要接收上一列每個位點的結果輸入，每條輸入線都對應一個不同的權重。 3.學習率 計算矩陣一開始的權重數是隨機，根據每次輸入計算與正確答案之間的謬差△，反向推導每一個位點上數值變化對△的影響大小，影響大就多調一點權重值，影響小就少調一點權重值，每次計算整個矩陣的所有位點權重一起調整。 4.對比總結 矩陣的優勢在於規範和完整，可以在網狀結構內通過調整權重畫出自己需要的決策模型。 而人腦的神級結構是在過往經歷中形成的，要如何生長出特定的新的神經鏈接無法人爲控制。 這本書非常不錯，先看到需要的部分，以後有機會盡量讀完。