《深入浅出神经网络与深度学习》PDF代码分析

神经网络可以使用中间层构建出多层抽象，正如在布尔电路中所做的那样。如果进行视觉模式识别，那么第1 层的神经元可能学会识别边；第2 层的神经元可以在此基础上学会识别更加复杂的形状，例如三角形或矩形；第3 层将能够识别更加复杂的形状，以此类推。有了这些多层抽象，深度神经网络似乎可以学习解决复杂的模式识别问题。正如电路示例所体现的那样，理论研究表明深度神经网络本质上比浅层神经网络更强大。

Michael Nielsen《深入浅出神经网络与深度学习》中文PDF+英文PDF+代码

《深入浅出神经网络与深度学习》PDF中文，249页；PDF英文，292页；配套代码。

下载: https://pan.baidu.com/s/1vP_jJoG60jqC-aD7QULXnw

提取码: 6sgh

以技术原理为导向，辅以MNIST 手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利用这些知识改进深度学习项目。学完后，将能够通过编写Python 代码来解决复杂的模式识别问题。

神经网络是最佳编程范式之一。传统的编程方法告诉计算机做什么，把大问题分解成许多小问题，明确定义任务，以便计算机执行。神经网络不直接告诉计算机如何解决问题，而让它从可观测数据中学习，让它自己找出解决问题的方法。

神经网络的工作机制以及如何将其用于解决模式识别问题，这关乎其实际应用。我们对其感兴趣的另一个原因是希望有一天神经网络可以超越这些基础的模式识别问题：可能神经网络或者其他基于数字计算机的技术，最终用于构建可以媲美甚至超越人类智慧的思维