内容简介：如果你已经读过了传统机器学习的书，相信你下一步就会对神经网络和深度学习产生兴趣，但却往往苦于不知道该从何入手。在这里我推荐给大家一本神经网络的好书给大家，对于没有任何数学基础的同学可以完全看懂整个数学证明原理，并且能实现出神经网络模型，而且本书非常轻薄，读起来就像故事一样：
如果你已经读过了传统机器学习的书，相信你下一步就会对神经网络和深度学习产生兴趣，但却往往苦于不知道该从何入手。
在这里我推荐给大家一本神经网络的好书给大家，对于没有任何数学基础的同学可以完全看懂整个数学证明原理，并且能实现出神经网络模型，而且本书非常轻薄，读起来就像故事一样：
《 Python神经网络编程 》。
推荐学习方法
先读附录，把其中的微积分知识学习一下，然后再开始从头学习。
对于书中所有的证明，务必争取看懂，不要跳过。
唯一绊住我的地方就是梯度下降的公式推导，其中有一处Σ求和公式略带误导性，其关键在于微分公式中唯一的变量只有Wij（特指某一个权重），而其他的权重都是已知量，因此可以消解。
实现关键
神经网络的训练分为3步：
- 信号前馈：根据权重矩阵，从输入层开始，逐层传递信号到输出层。
- 误差反向传播：先计算输出层的误差，然后根据权重矩阵，反向逐层传播误差到各个层的神经元。
- 梯度下降调整权重：因为计算出了所有层的每个神经元的误差，因此根据误差与权重之间的微分公式，可以根据误差值和当前权重算出此时的斜率，进而对权重进行一定的下降调整，这就是学习权重的过程，其目的就是误差最小化，当然这里需要通过学习率调节学习的速度。
我的实践
我的神经网络代码在这里： https://github.com/owenliang/NeuralNetwork
对于官方测试集的识别率接近97%左右，但对我个人手写的识别率要差很多，相信只有更高级的卷积模型才能进一步改善这个问题。
我另外改造了一版支持多个隐藏层的神经网络模型，但是发现增加更多的隐层并没有带来性能上升，反而精度下降了，据说这是因为模型过于复杂，而数据量太小并且过于简单，而这个更多隐层的神经网络应该就叫做深度神经网络了吧。
总结
读完这本书的感受是，理解神经网络一定要理解其数学原理，而如何把复杂的数学原理讲简单，这就是这本书的价值，可见作者水平之高。
博主无私的分享着知识，你愿意送他一顿热腾腾的早餐吗？
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- TensorFlow.js 卷积神经网络手写数字识别
- 手撸卷积神经网络之手写数字识别 (Java)
- matlab练习程序（神经网络识别mnist手写数据集）
- 卷积神经网络初探——LeNet-5的原理与手写数字识别的实现
- 手写一个解析器
- 手写一个webpack插件
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Mashups Web 2.0开发技术—— 基于Amazon.com
萨拉汉 / 吴宏泉 / 清华大学 / 2008-1 / 48.00元
《MashupsWeb2.0开发技术(基于Amazon.Com) 》介绍了mashup的底层技术，并且第一次展示了如何创建mashup的应用程序。Amazon.com与Web服务强势结合，拓展了Internet的应用范围，使得开发人员可以把Amazon的数据和其他的可利用资源自由地结合起来创建功能丰富的全新应用程序，这种应用程序叫做mashup。 《MashupsWeb2.0开发技术(基于A......一起来看看 《Mashups Web 2.0开发技术—— 基于Amazon.com》 这本书的介绍吧!
