一边学，一边写出的人工智能教程（一）
（keras安装可参考我的文章：Windows 下 Python 3.6 下安装 TensorFlow，和pyopencl没关系）
首先，你要有一些数学和哲学知识，比如：
- 听说过【向量】 （知道可以把数写成(1,2,3,4)这种形式即可）
- 懂一点【抽象】，能提炼出一些事物的关联 （比如，汽车和自行车有什么共同点？）
- 能不看教程写出python小程序（比如打印helloworld）
- （技巧：看不很懂就试图“观其大略”）
对于向量，如果想进一步了解，可以参考视频：
（你至少会从中习惯，可以把向量竖着写）
接下来的三个视频也是同样的来源。显然他们说的比我好，我只需要放链接……
3Blue1Brown的视频教程（神经网络）3 （分上下篇）
再放一个：（我是按顺序放的）
知乎回答（卷积层）（卷积神经网络简称CNN）
（作者：地球的外星人君；来源：知乎）
下面的代码就出自上方回答。但我处理了一下，写成了伪代码……
### 准备原料
### 制作饲料
### 制作猫
### 喂猫
（笑）大概就是这么个过程，虽然比较抽象，但能够说明问题。具体一点的话，第一步是这样的：
### 准备原料！
import numpy
from keras.datasets import mnist
# data数据，set集合，datasets数据集； mnist是一个著名的数字图像识别数据集
from keras.models import Sequential
# model模型； Sequential 序贯模型（应该就是最简单的模型——层与层相继连接而已）
from keras.layers import Dense
# layer层； dense密集的（可能是指普通的一层）
from keras.layers import Dropout
# dropout丢弃
from keras.layers import Flatten
# flatten压平，numpy中此名称对应函数是把不管多少维的矩阵中的数 列为一行
from keras.layers.convolutional import Conv2D
# convolutional卷积； Conv2D大概是2维卷积
from keras.layers.convolutional import MaxPooling2D
# MaxPooling 区域中共同最大值 （记得那个回答中的“池化”么）
from keras.utils import np_utils
# util工具； np应该是numpy
seed = 7
numpy.random.seed(seed)
# 随机数初始化，seed种子（如果你知道我的世界种子，就很好理解）
# 种子随机就是说，用同一个种子会生成同一个随机数列，即使反复运行
第二步：（你可能需要事先理解多维数组）
### 制作饲料！
# 加载信息
(X_train, y_train), (X_test,y_test) = mnist.load_data()
# 两个X都是列表，其元素为图像（二维矩阵表示）；两个y也都是列表，其元素是X中图像对应的数字；train表示训练用，test表示测试用
# 使信息成为模型能处理的格式
X_train = X_train.reshape(X_train.shape[0],28, 28,1).astype('float32')
# （张量，英文tensor，0维张量是标量，1维是向量，2维是矩阵，3维大概是立方阵，等等）
# n维张量的shape是由各维度上的元素个数组成的n元向量，比如三阶方阵的shape是(3,3)
# reshape就是把矩阵按顺序展平后重新拼（比如全是1的三阶方阵一般是这么表示的：[[1,1,1],[1,1,1],[1,1,1]]，展平就是只留最外层括号）
# 另：最后一个1是图像通道数，灰度图自然是1，三色应该就是3
X_test = X_test.reshape(X_test.shape[0],28, 28,1).astype('float32')
# 整数类型化为浮点类型
X_train = X_train / 255
X_test = X_test / 255
# （0-255 -> 0-1）
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
# 序列化，即用[1,0,0,0,0,0,0,0,0,0] 代替 0，[0,1,0,0,0,0,0,0,0,0] 代替 1，[0,0,1,0,0,0,0,0,0,0] 代替 2，等等，
# 记得3Blue1Brown视频里输出的样子么？一列
num_classes = y_test.shape[1]
# 结果数量
第三步：
### 制作猫！
def baseline_model():
model = Sequential()
# 建一个空的“序贯模型”
model.add(Conv2D(32, (3, 3), padding='valid', input_shape=(28, 28,1), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
# 添加卷积层
model.add(Conv2D(15, (3, 3), padding='valid' ,activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
# 似乎是再加一个卷积层 （导入部分已经翻译了函数名称）
model.add(Flatten())
# 进入一维模式 （记得视频里把图像一维化么，这里是先卷积再一维化）
model.add(Dense(128, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
# “密集层”（似乎也叫“全连接”）
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
# compile编译，这总不该解释运行了……
return model
model = baseline_model()
# （用函数加调用来创建模型“看起来更清晰”）
第四步：
### 喂猫
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=5, batch_size=128, verbose=2)
使用这个模型（这似乎才是主体），和训练非常相似，返回一个预测的结果组成的数组。
model.predict(X_train, batch_size=128, verbose=2)
运行非常慢（这可是神经网络！），我没有GPU，训练一次大约要40秒（最后一行的epoch表示训练次数）。看着别人的个位数秒数，有点难过。
（2018-2-6 于地球）
还没有人评论...