全書總評

• 書本印刷質(zhì)量：4星。紙張是米黃色，可以保護眼睛；印刷清楚，文字排版整潔，基本沒有排版過程中引入的錯誤，閱讀不累眼睛。但是可能是Word排版，感覺數(shù)學(xué)公式的排版不是太好。
• 著作編寫質(zhì)量：4星。簡單，易懂，入門很好。可能是為了幫助讀者克服對數(shù)學(xué)的恐懼，所以多用圖來說明。但是，沒有數(shù)學(xué)的神經(jīng)網(wǎng)絡(luò)本質(zhì)上還是空中樓閣，過于淡化數(shù)學(xué)的作用反而使推導(dǎo)部分讀起來費勁。
• 著作翻譯質(zhì)量：3星。沒有明顯的問題，基本使用的都是業(yè)界常用詞匯。其實給3~4星我都在猶豫，因為翻譯本身沒有錯誤，作者也不是靠機翻了事，但是作為一本入門圖書，過于長的句子（英文表述的風(fēng)格）使人經(jīng)常會看著看著就從書中“出戲”了，影響思緒的連貫性。
• 代碼質(zhì)量：4星。代碼問題不大，還可以去GitHub下載。作者的GitHub，熱心讀者的GitHub和CSDN-Blog
• 總結(jié)：如果還想進一步了解神經(jīng)網(wǎng)絡(luò)，請移步《神經(jīng)網(wǎng)絡(luò)與機器學(xué)習(xí)》；如果想進一步了解Python，請穩(wěn)步Python書籍總結(jié)。如果想進入機器學(xué)習(xí)的行業(yè)，還是找機會精讀一遍《高等數(shù)學(xué)》、《線性代數(shù)》和《概率統(tǒng)計》吧，對于后期了解原理絕對是有好處的。

讀書筆記

C01.神經(jīng)網(wǎng)絡(luò)如何工作？

1. 計算機能干啥？打游戲、聽音樂、看視頻，還可以圖像識別、知識推理等等。
2. 預(yù)測機能干啥？不是程序員教的知識，而通過學(xué)習(xí)得到的知識，用來處理未來的問題
3. 分類器能干啥？對數(shù)據(jù)進行區(qū)分，例如：蘋果與香蕉，通過學(xué)習(xí)，找出它們的特征，從而學(xué)會分辨
4. 分類器如何訓(xùn)練（學(xué)習(xí)）？先學(xué)習(xí)正確的知識，如果結(jié)果不對就調(diào)整記憶，最終全部答對正確的知識
5. 分類器如何解決更為復(fù)雜的問題？多個學(xué)習(xí)單元一起學(xué)習(xí)
6. 神經(jīng)元的基本原理：計算機的神經(jīng)網(wǎng)絡(luò)只是生物神經(jīng)元的仿真，或者叫數(shù)學(xué)解釋，或者叫計算機模擬。
7. 信號在神經(jīng)網(wǎng)絡(luò)中如何流動？
8. 怎樣簡化神經(jīng)網(wǎng)絡(luò)的表示：矩陣。
9. 使用矩陣乘法來表示三層神經(jīng)網(wǎng)絡(luò)的例子。
10. 神經(jīng)元的權(quán)重如何學(xué)習(xí)？基本原理
11. ★反向傳播誤差算法（11~13）
    • 多層神經(jīng)網(wǎng)絡(luò)的誤差是如何反向傳播的？
    • 誤差如何反向傳播到更多層中？
      • 簡單的3層神經(jīng)網(wǎng)絡(luò)：輸入層+隱藏層+輸出層，誤差如何在隱藏層中傳播來修改權(quán)重。
    • 如何使用矩陣乘法來描述反向傳播誤差？
12. 如何更新神經(jīng)網(wǎng)絡(luò)的權(quán)重？數(shù)學(xué)算法（梯度下降）
13. 權(quán)重更新的具體案例。
14. 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程：輸入（準備訓(xùn)練數(shù)據(jù)）、權(quán)重（隨機初始化）、輸出（誤差函數(shù)優(yōu)化）

C02.使用Python進行DIY

1. Python是啥？一種非常利于閱讀的編程語言，適合非計算機專業(yè)人員學(xué)習(xí)和使用
2. IPython是啥？交互式Python。
3. Python怎么用？就是幫你基本了解Python，方便后面看Python代碼。
4. 使用Python制作神經(jīng)網(wǎng)絡(luò)：進入正題了，跟著作者輸入一遍代碼，可以加深理解。
5. 數(shù)據(jù)集MNIST：進入真正的實用項目了。
   1. 輸入完整的代碼；（有地方看不懂，是因為書中給出的Python說明遠遠不夠，但是別在意這些不懂，繼續(xù)前進，先明白神經(jīng)網(wǎng)絡(luò)可以干啥）
   2. 用小的數(shù)據(jù)集訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)，會發(fā)現(xiàn)對于復(fù)雜一點的樣本就無法正常識別了；
   3. 使用完整的數(shù)據(jù)集訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)，這次耗時有點長，但是準確率會大大提升，看樣子多花點時間學(xué)習(xí)是值得的；
   4. 一點改進：調(diào)整學(xué)習(xí)率，會發(fā)現(xiàn)效果不一樣了，為什么呢？具體原理可以參考《神經(jīng)網(wǎng)絡(luò)與機器學(xué)習(xí)》
   5. 一點改進：多次運行，同樣的訓(xùn)練數(shù)據(jù)再學(xué)習(xí)一次還能夠提高識別率，但是如果次數(shù)過多會出現(xiàn)過擬合，參考《神經(jīng)網(wǎng)絡(luò)與機器學(xué)習(xí)》；
   6. 一點改變：調(diào)整隱藏層的節(jié)點數(shù)目，可能會影響識別率（P146，圖），參考《神經(jīng)網(wǎng)絡(luò)與機器學(xué)習(xí)》；

C03.開拓思維

1. 自己創(chuàng)造數(shù)據(jù)：用畫圖軟件創(chuàng)造一個圖片用于識別，圖片大小必須是（28*28）像素格式的；
2. 神經(jīng)網(wǎng)絡(luò)的秘密：
   1. 神秘的黑盒子：像人一樣有冗余能力，少量的損失只會影響精度，不會完全失去能力；
   2. 逆向查詢：把輸出變輸入，輸入變輸出，可以發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)到底從數(shù)據(jù)中學(xué)到了什么；
3. 創(chuàng)建新的訓(xùn)練數(shù)據(jù)：真實情況下數(shù)字可能是扭曲的、旋轉(zhuǎn)的、不規(guī)范的，創(chuàng)造這樣的數(shù)據(jù)試試網(wǎng)絡(luò)的識別率，想想識別不出的原因？

附錄A。微積分簡介

如果你對大學(xué)數(shù)學(xué)心存恐懼，那么試著讀讀這本書中的微積分介紹，可能會幫助你理解極限和求導(dǎo)，甚至還有高階的鏈式法則，至少讓你心里覺得原來高等數(shù)學(xué)沒有想像中的那么難。

當然，學(xué)習(xí)數(shù)學(xué)依然還是考驗毅力的一項活動，一本數(shù)學(xué)書看個一年都是常事，數(shù)學(xué)專業(yè)的同學(xué)常說“實變函數(shù)學(xué)十遍，泛函分析膽泛寒”。

附錄B。樹莓派

這個對于中國同學(xué)似乎用處不大，中國人民突然變得錢多多起來，電腦已經(jīng)是上大學(xué)的標配了。當然如果有時間，試著玩玩還是很有趣的，而且樹莓派的應(yīng)用范圍非常廣泛，學(xué)了不吃虧。