全書總評
- 書本印刷質量：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，感覺數學公式的排版不是太好。
- 著作編寫質量：4星。簡單，易懂，入門很好。可能是為了幫助讀者克服對數學的恐懼，所以多用圖來說明。但是，沒有數學的神經網絡本質上還是空中樓閣，過于淡化數學的作用反而使推導部分讀起來費勁。
- 著作翻譯質量：3星。沒有明顯的問題，基本使用的都是業界常用詞匯。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（英文表述的風格）使人經常會看著看著就從書中“出戲”了，影響思緒的連貫性。
- 代碼質量：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：如果還想進一步了解神經網絡，請移步《神經網絡與機器學習》；如果想進一步了解Python，請穩步Python書籍總結。如果想進入機器學習的行業，還是找機會精讀一遍《高等數學》、《線性代數》和《概率統計》吧，對于后期了解原理絕對是有好處的。
讀書筆記
C01.神經網絡如何工作？
- 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。
- 預測機能干啥？不是程序員教的知識，而通過學習得到的知識，用來處理未來的問題
- 分類器能干啥？對數據進行區分，例如：蘋果與香蕉，通過學習，找出它們的特征，從而學會分辨
- 分類器如何訓練（學習）？先學習正確的知識，如果結果不對就調整記憶，最終全部答對正確的知識
- 分類器如何解決更為復雜的問題？多個學習單元一起學習
- 神經元的基本原理：計算機的神經網絡只是生物神經元的仿真，或者叫數學解釋，或者叫計算機模擬。
- 信號在神經網絡中如何流動？
- 怎樣簡化神經網絡的表示：矩陣。
- 使用矩陣乘法來表示三層神經網絡的例子。
- 神經元的權重如何學習？基本原理
- ★反向傳播誤差算法（11~13）
- 多層神經網絡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層神經網絡：輸入層+隱藏層+輸出層，誤差如何在隱藏層中傳播來修改權重。
- 如何使用矩陣乘法來描述反向傳播誤差？
- 如何更新神經網絡的權重？數學算法（梯度下降）
- 權重更新的具體案例。
- 神經網絡訓練的過程：輸入（準備訓練數據）、權重（隨機初始化）、輸出（誤差函數優化）
C02.使用Python進行DIY
- Python是啥？一種非常利于閱讀的編程語言，適合非計算機專業人員學習和使用
- IPython是啥？交互式Python。
- Python怎么用？就是幫你基本了解Python，方便后面看Python代碼。
- 使用Python制作神經網絡：進入正題了，跟著作者輸入一遍代碼，可以加深理解。
- 數據集MNIST：進入真正的實用項目了。
- 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，繼續前進，先明白神經網絡可以干啥）
- 用小的數據集訓練和測試神經網絡，會發現對于復雜一點的樣本就無法正常識別了；
- 使用完整的數據集訓練和測試神經網絡，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習是值得的；
- 一點改進：調整學習率，會發現效果不一樣了，為什么呢？具體原理可以參考《神經網絡與機器學習》
- 一點改進：多次運行，同樣的訓練數據再學習一次還能夠提高識別率，但是如果次數過多會出現過擬合，參考《神經網絡與機器學習》；
- 一點改變：調整隱藏層的節點數目，可能會影響識別率（P146，圖），參考《神經網絡與機器學習》；
C03.開拓思維
- 自己創造數據：用畫圖軟件創造一個圖片用于識別，圖片大小必須是（28*28）像素格式的；
- 神經網絡的秘密：
- 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；
- 逆向查詢：把輸出變輸入，輸入變輸出，可以發現神經網絡到底從數據中學到了什么；
- 創建新的訓練數據：真實情況下數字可能是扭曲的、旋轉的、不規范的，創造這樣的數據試試網絡的識別率，想想識別不出的原因？
附錄A。微積分簡介
如果你對大學數學心存恐懼，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，甚至還有高階的鏈式法則，至少讓你心里覺得原來高等數學沒有想像中的那么難。
當然，學習數學依然還是考驗毅力的一項活動，一本數學書看個一年都是常事，數學專業的同學常說“實變函數學十遍，泛函分析膽泛寒”。
附錄B。樹莓派
這個對于中國同學似乎用處不大，中國人民突然變得錢多多起來，電腦已經是上大學的標配了。當然如果有時間，試著玩玩還是很有趣的，而且樹莓派的應用范圍非常廣泛，學了不吃虧。