Python神经网络编程

有的人写书短小精悍，有的人写书浅显易懂，本文作者明显属于后者。这是一本非常好的神经网络入门书籍，作者把前馈网络、BP算法、梯度下降等概念解释得非常透彻，各类难点也都结合图例给出了生动的说明与解释。 本书的三章都值得一读，但如果时间有限只读第一章也可。第一章讲述了神经网络的基本原理，规避了新人可能遇到的一些问题;第二章用MNIST手写字符集的例子进行手把手教学，算是比较初级的项目，很适合入门;第三章进行了很多关于神经网络的发散讨论，有些点很有启发性，值得一读。 本书算是很好的神经网络入门书，而不是Python入门书。作者在介绍神经网络时深入浅出，而介绍Python时就有些避重就轻，一些核心库和代码的介绍就显得比较敷衍，一带而过了。因此不断能在评论里面看到大家的吐槽。 附录的微积分部分主要解释了求导的原理，而树莓派部分则只是换了个操作系统，并没有用到树莓派的许多特性。附录部分可以不看。

果断给五星。非常通俗易懂，妙趣横生的神经网络编程书籍。 当前，深度学习和人工智能的发展和应用给人们留下了深刻的印象。神经网络是深度学习和人工智能的关键元素，然而，真正了解神经网络工作机制的人少之又少。本书用轻松的笔触，一步一步揭示了神经网络的数学思想，并介绍如何使用Python编程语言开发神经网络。 本书将带领您进行一场妙趣横生却又有条不紊的旅行——从一个非常简单的想法开始，逐步理解神经网络的工作机制。您无需任何超出中学范围的数学知识，并且本书还给出易于理解的微积分简介。本书的目标是让尽可能多的普通读者理解神经网络。读者将学习使用Python开发自己的神经网络，训练它识别手写数字，甚至可以与专业的神经网络相媲美。 本书适合想要了解深度学习、人工智能和神经网络的读者阅读，尤其适合想要通过Python编程进行神经网络开发的读者参考

认识神经网络的第一本书，既通俗易懂又妙趣横生。可操作性强，可以很快完成神经网络程序的编写。 本书的精华在于第一章，虽然全是理论上的数学思想，但作者讲得非常精彩，把神经网络的数学推导完完全全地展现了出来，而且还不需要读者具备高深的数学基础（懂简单的微积分就行，不懂也没关系，附录A有微积分的介绍）。通过第一章的剖析，让人真真切切地体会到算法的基础必须得是数学，数学的优美与简洁可以扩展计算机的功能，实现深度学习与人工智能。 关于人工智能，作者说得很直白，就是想方设法让计算机看起来更像人脑，只是看起来像，不能成为人脑。就好像魔术一样，并不是真的。这本书让我对人工智能和深度学习建立了兴趣，原来其实现起来并不复杂。后续将开始相关方面的进一步学习，打算从三本“圣经”开始——鱼书、花书、西瓜书。

这是我的第一次五星。 1、开篇读者吹过的牛都在我身上实现了，我居然跑了一个神经网络的程序，设计60000数据量。 2、作者深入浅出的讲解了神经网络的机理 3、全书毫不拖泥带水，该有的代码都有，做到了手把手教学。还会让你安心，认为自己肯定能学会。厉害就厉害在它做到了。 4、对于数学的讲解简直太妙了，这里的数学，他的针对性与工程性极强，能让读者对数学该怎么学有一个跨越式进步的认识。 另外我相信工程此种类读物能够进入到大家的视野，也希望中国在理工科类的教育水平上能得到优质的提升。

《深度学习的数学》和《Python神经网络编程》两本书都很优秀。但是相对来说，《深度学习的数学》对普通读者更友善，本书就更适合有编程基础的朋友们了。 相较于用excel进行实验，使用python进行的实验，实在是为难我。还好有文心一言帮忙理解，并纠正错误。经过修改修改测试测试，代码最后是运行通了，但是卡在系统判断我的CSV文件并不包含实际的 784 个像素值，而我又不会替换上面，怎么也推不下去了（关键我也不知道怎么让文心一言帮我修正这个问题）。 希望哪天返回来看的时候，突然就通了吧...

一个小白居然能跟着作者一步一步构建一个神经网络，太让人惊喜了！浅显易懂，应该算是草履虫能学会的级别。 https://github.com/zpf2617 代码我上传到github上了，大家有兴趣的可以看看。 代码我捋了一遍，纯小白走了不少坑。 训练，测试，保存权重矩阵，反向输出测试，样本代码图形化，图片生成样本数据 python3.9.13版测试成功，IDE用的vscode，按小白的理解注释的很啰嗦，大神们不要笑话我

《Python神经网络编程》是难得的“反框架”入门经典，作者摒弃了直接调用现成库的速成路径，从梯度下降、反向传播的数学推导讲起，全程用纯Python手写神经网络实现手写数字识别，把“黑箱”算法拆解为可逐行调试的透明模块。它解决的不是“怎么用工具”的问题，而是“模型为什么有效”的本质困惑，连附录的微积分讲解都足够友好，让初学者真正建立对神经网络的具象认知，而非只会调API的“工具人”。

好友推荐，坚持看完了。一个简单、完整、有实际效果的三层神经网络的实例。从原理到实现，节奏把握的很好，读起来比较舒服。部分numpy的代码，因为numpy升级的原因，已有变化，看一下书友的笔记即可。另外，在ai的加持下，基本上代码在vscode下已经可以整块整块的补全了，省却了搬运代码的时间。

啪的一下，很快啊，花了一整天看完了[让我看看]。说说看法，这本书深入浅出，将神经网络讲的明明白白的，数学原理也并不深奥。昨晚上本来只打算随便看看前几页的结果一发不可收拾。。。。

1.基本公式 权重是最简单的线性函数，为同时计算同个输入数值，先计算x=x₁w₁+x₂w₂+……之后再代入相应的函数以计算复杂问题。 最简单的是y=1/(1+e⁻ˣ)，以1/2为界，得出该位最终输出1还是0。 2.矩阵 矩阵是根据生物神级网得到灵感，一种优越的并行式计算模式。 两个相同的n*n大小的矩阵，一个用来输入数值，另一个用来计算。 计算矩阵（除输入层）的每个位点，既要接收输入矩阵的数值输入，还要接收上一列每个位点的结果输入，每条输入线都对应一个不同的权重。 3.学习率 计算矩阵一开始的权重数是随机，根据每次输入计算与正确答案之间的谬差△，反向推导每一个位点上数值变化对△的影响大小，影响大就多调一点权重值，影响小就少调一点权重值，每次计算整个矩阵的所有位点权重一起调整。 4.对比总结 矩阵的优势在于规范和完整，可以在网状结构内通过调整权重画出自己需要的决策模型。 而人脑的神级结构是在过往经历中形成的，要如何生长出特定的新的神经链接无法人为控制。 这本书非常不错，先看到需要的部分，以后有机会尽量读完。