《Python神经网络编程》学习笔记

前些日子，怀着对神经网络的无限向往，买了《Python神经网络编程》（为什么买它，决策过程已经忘了0.0），经过几天‘刻苦‘的钻研（主要是python库，numpy和scipy的一系列方法，各种百度），在彻底了解了神经网络的基本原理后，感觉基础的神经网络有点鸡肋（神经网络可以有多种，例如卷积神经网路等等），基础的神经网络主要建立在大量数据训练的基础上，从数据集之中提取相关特征保存在矩阵之中（以我目前从该书上了解来看，貌似是这样的，欢迎大牛指正），接下来，以书中的例子为例进行概述，算是做笔记了（主要是训练的数据集都要钱，而且难找）：

开始部分，书中会讲一些神经元原理，就不说了，构建编程上的神经网络需要几样东西，训练数据集、测试数据集、几个重要参数、训练方法、query方法（处理测试数据集的方法）；

训练数据集采用的是 mnist的csv 数字手写集，采用的是100缩减版本，测试方便，在原书中有完整版的数据集下载的url，出于对作者的尊重，就不公布了，这里使用的是28*28大小的图片，csv格式，可由python的matplotlib.pyplot读取并显示：

以上代码包括图片的保存，其中pyplot是旧版本的pyplt（大概吧，反正我是没找到pyplt）；

下一步就是定义神经网络的重要参数，包括输入node数inode，输出node数onode，学习率（对于神经网络反馈幅度的调节，也就是基于错误的修正步伐大小）和隐藏神经网络层数量（感觉完全没有了解的必要，现阶段来说），这里inode使用的是28*28=784，onode是10（输出是0-9的概率数组），隐藏数量为200，当然你也可以选择28以上的任何数，只是太大的话觉得没什么意义；

之后构造神经网络对象：

编写训练方法train（出于保密，就不公布0.0），对测试集的处理方法query：

之后，编写函数入口等等，运行程序：

从数据集之中提取相关特征保存在矩阵之中；

从数据集之中提取相关特征保存在矩阵之中；

从数据集之中提取相关特征保存在矩阵之中；

重要的事情说x遍，如果你有手写的字母的训练集，也可以使用相同的代码，将输出onode设置为26，进行大量训练也可以，出于数据集的缺乏，没用进行验证，但大概是如此，不知者不知所言，欢迎大侠拍砖0.0轻点！！！