第一章 python入门

• • 数据类型：Python中的type()函数

• • 列表（数组）：

    • >>> a = [1, 2, 3, 4, 5] # 生成列表
    • >>> a[0:2] # 获取索引为0到2（不包括2！）的元素
    • [1, 2]
    • >>> a[1:] # 获取从索引为1的元素到最后一个元素
    • [2, 3, 4, 5]
    • >>> a[:3] # 获取从第一个元素到索引为3（不包括3！）的元素
    • [1, 2, 3]
    • >>> a[:-1] # 获取从第一个元素到最后一个元素的前一个元素之间的元素
    • [1, 2, 3, 4]
    • >>> a[:-2] # 获取从第一个元素到最后一个元素的前二个元素之间的元素
    • [1, 2, 3]

• • 字典：

    • >>> me = {'height':180} # 生成字典
    • >>> me['height']# 访问元素
    • 180
    • >>> me['weight'] = 70 # 添加新元素
    • >>> print(me)
    • {'height': 180, 'weight': 70}

• • 类：
    • 
  • eg.
    • 

• • NumPy：
    • numpy数组和python数组的区别
      • Numpy是专门针对数组的操作和运算进行了设计
      • 其数组的存储效率和输入输出性能远优于Python中的嵌套列表

• • 生成NumPy数组，需要使用np.array()方法。
    • np.array()接收Python 列表作为参数，生成NumPy数组（numpy.ndarray）。
    • >>> x = np.array([1.0, 2.0, 3.0])
    • >>> print(x) [ 1. 2. 3.]
    • >>> type(x)
    • <class 'numpy.ndarray'>

• • 广播：
    • 在NumPy数组的各个元素和标量之间进行运算。
    • >>> x = np.array([1.0, 2.0, 3.0])
    • >>> x / 2.0
    • array([ 0.5, 1. , 1.5])
    • 

• • N维数组：
    • >>> A = np.array([[1, 2], [3, 4]])
    • >>> A.shape (2, 2)
    • >>> A.dtype #矩阵元素的数据类型可以通过dtype查看
    • dtype('int64')
    • 乘法：
      • >>> B = np.array([[3, 0],[0, 6]])
      • >>> A * B  #各元素相乘
      • array([[ 3, 0],
        •  [ 0, 24]])
  • 访问元素：【多维数组】
    • 

• • 使用数组访问各个元素：
    • 
  • 获取满足一定条件的元素：【要从X中抽出 大于15的元素】
    • 

• • argmax()
    • p = np.argmax(y_batch, axis=1)
    • 我们给定了参数axis=1。这指定了在100 × 10的数组中，沿着第1维方向（以 第1维为轴）找到值最大的元素的索引（第0维对应第1个维度）
  • Matplotlib：
    • 使用Matplotlib可以轻松地绘制图形和实现数据的可视化。
    • pyplot模块绘制图形：
      • 绘制sin（x）和cos（x）：
      • 

• • image模块的imread()方法读入图像：
    • 

• 第二章 感知机

  •  
    • 神经网络（深度学习）的起源
    • 使用单层感知机可以实现与门、与非门、或门三种逻辑电路，但是无法实现异或门。
    • 感知机的绝妙之处在于它可以“叠加层”（通过叠加层来表示异或门是本节的要点）。
    • 感知机通过叠加层能够进行非线性的表示，理论上还可以表示计算机进行的处理。

• 第三章 神经网络

• • 我们把最左边的一列称为输入层，最右边的一列称为输出层，中间的一列称为中间层
  • 依次称为第0层、第 1层、第2层。以下是一个“2层网络”：
    • 
  • b是被称为偏置的参数，用于控制神经元被激活的容易程度；
  • 而w1 和w2是表示各个信号的权重的参数，用于控制各个信号的重要性。

• • 激活函数（activation function）：连接感知机和神经网络的桥梁。
    • h（x）函数会将输入信号的总和转换为输出信号，激活函数的 作用在于决定如何来激活输入信号的总和。
    • 
    • • 

• • sigmoid函数：
    • 神经网络中经常使用的一个激活函数就是式（3.6）表示的sigmoid函数
      • 

• • def sigmoid(x):
    • return 1 / (1 + np.exp(-x))

• • sigmoid函数是一条平滑的曲线，输出随着输入发生连续性的变化。
  • 而阶跃函数以0为界，输出发生急剧性的变化。
  • sigmoid函数的平滑性对神经网络的学习具有重要意义。

• • 神经网络中流动的是连续的实数值信号。

• • 神经网络的激活函数必须使用非线性函数
  • 为什么不能使用线性函数呢？
    • 因为使用线性函数的话，加深神经网络的层数就没有意义了。
    • 线性函数的问题在于，不管如何加深层数，总是存在与之等效的“无隐藏层的神经网络”。
  • ReLU函数：
    • sigmoid函数很早就开始被使用了，而最近则主要使用ReLU（Rectified Linear Unit）函数。
    • 
    • def relu(x):

return np.maximum(0, x)

• • 多维数组的运算
    • 数组的维数可以通过np.dim()函数获得：
      • 
      • 注意，这里的A.shape的结果是个元组（tuple）。这是因为一维数组的情况下也要返回和多维数组的情况下一致的结果。例如，二维数组时返回的 是元组(4,3)，三维数组时返回的是元组(4,3,2)，因此一维数组时也同样以 元组的形式返回结果。下面我们来生成一个二维数组。
    • 矩阵乘法：
      • 

>>> A = np.array([[1, 2], [3, 4]])

>>> B = np.array([[3, 0],[0, 6]])

>>> A*B

array([[ 3,  0],

       [ 0, 24]])

>>> np.dot(A,B) #多维数组的点积

array([[ 3, 12],

       [ 9, 24]])            

• • 符号确认
    •