作者：（英）塔里克·拉希德（Tariq Rashid）
出版社：人民邮电出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
Python神经网络编程试读：
前言
第1章 神经网络如何工作
1.1 尺有所短，寸有所长
1.2 一台简单的预测机
1.3 分类器与预测器并无太大差别
1.4 训练简单的分类器
1.5 有时候一个分类器不足以求解问题
1.6 神经元——大自然的计算机器
1.7 在神经网络中追踪信号
1.8 凭心而论，矩阵乘法大有用途
1.9 使用矩阵乘法的三层神经网络示例
1.10 学习来自多个节点的权重
1.11 多个输出节点反向传播误差
1.12 反向传播误差到更多层中
1.13 使用矩阵乘法进行反向传播误差
1.14 我们实际上如何更新权重
1.15 权重更新成功范例
1.16 准备数据
第2章 使用Python进行DIY
2.1 Python
2.2 交互式Python = IPython
2.3 优雅地开始使用Python
2.4 使用Python制作神经网络
2.5 手写数字的数据集MNIST
第3章 趣味盎然
3.1 自己的手写数字
3.2 神经网络大脑内部
3.3 创建新的训练数据：旋转图像
3.4 结语
附录A 微积分简介
A.1 一条平直的线
A.2 一条斜线
A.3 一条曲线
A.4 手绘微积分
A.5 非手绘微积分
A.6 无需绘制图表的微积分
A.7 模式
A.8 函数的函数
附录B 使用树莓派来工作
B.1 安装IPython
B.2 确保各项工作正常进行
B.3 训练和测试神经网络
B.4 树莓派成功了
目 录版权信息
版权声明
内容提要
译者序
序言
前言
第1章 神经网络如何工作 1.1 尺有所短，寸有所长1.2 一台简单的预测机1.3 分类器与预测器并无太大差别1.4 训练简单的分类器1.5 有时候一个分类器不足以求解问题1.6 神经元——大自然的计算机器1.7 在神经网络中追踪信号1.8 凭心而论，矩阵乘法大有用途1.9 使用矩阵乘法的三层神经网络示例1.10 学习来自多个节点的权重1.11 多个输出节点反向传播误差1.12 反向传播误差到更多层中1.13 使用矩阵乘法进行反向传播误差1.14 我们实际上如何更新权重1.15 权重更新成功范例1.16 准备数据
第2章 使用Python进行DIY 2.1 Python2.2 交互式Python = IPython2.3 优雅地开始使用Python2.4 使用Python制作神经网络2.5 手写数字的数据集MNIST
第3章 趣味盎然 3.1 自己的手写数字3.2 神经网络大脑内部3.3 创建新的训练数据：旋转图像3.4 结语
附录A 微积分简介 A.1 一条平直的线A.2 一条斜线A.3 一条曲线A.4 手绘微积分A.5 非手绘微积分A.6 无需绘制图表的微积分A.7 模式A.8 函数的函数
附录B 使用树莓派来工作 B.1 安装IPythonB.2 确保各项工作正常进行B.3 训练和测试神经网络B.4 树莓派成功了版权信息
书名：Python神经网络编程
ISBN：978-7-115-47481-0
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
著 [英] 塔里克•拉希德（Tariq Rashid）
译 林 赐
责任编辑 陈冀康
人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
网址 http://www.ptpress.com.cn
读者服务热线：(010)81055410
反盗版热线：(76010)81055315版权声明
Simplified Chinese translation copyright ©2018 by Posts and Telecommunications Press
ALL RIGHTS RESERVED.
Make Your Own Neural Network, by Tariq Rashid, ISBN 9781530826605 Copyright © 2016 by Tariq Rashid
本书中文简体版由作者授权人民邮电出版社出版。未经出版者书面许可，对本书的任何部分不得以任何方式或任何手段复制和传播。
版权所有，侵权必究。内容提要
神经网络是一种模拟人脑的神经网络，以期能够实现类人工智能的机器学习技术。
本书揭示神经网络背后的概念，并介绍如何通过Python实现神经网络。全书分为3章和两个附录。第1章介绍了神经网络中所用到的数学思想。第2章介绍使用Python实现神经网络，识别手写数字，并测试神经网络的性能。第3章带领读者进一步了解简单的神经网络，观察已受训练的神经网络内部，尝试进一步改善神经网络的性能，并加深对相关知识的理解。附录分别介绍了所需的微积分知识和树莓派知识。
本书适合想要从事神经网络研究和探索的读者学习参考，也适合对人工智能、机器学习和深度学习等相关领域感兴趣的读者阅读。译者序
渥太华的八月，不像中国的南方那么炎热，甚至有丝丝凉意。每到下午时分，如果没有下雨，工作了一天，有些倦怠的我一般会沿着里多运河（世界文化遗产），朝着国会山的方向慢慢跑去。从出租屋到里多运河，不到10分钟的路程。来到运河前，生命就像翻开了一页流畅缠绵的琴谱，一群白鸽在空阔悠远的蓝天下舞蹈，偶尔，还可以听到为数不多的几只夏蝉在悠久的运河边轻轻吟唱，不是那么刺目的阳光随意地拨动闪着灵光的水面，凭栏远眺，里多运河就像一位饱经风霜的老人，向周围的人们娓娓诉说着它的前世今生……
日子就这样一天一天重复着，连续数月，我完成了此书的翻译。人工智能、神经网络、机器学习……一个一个富有现代电子气息的词汇，一次又一次给我的大脑带来新的感受，也给我带来了对人生的新理解，但是，越是如此，我就越想回到历史寻找答案，希望在历史的废墟中，能找到只言片语，解开我心中的疑惑。
多年来，普通人（包括我在内）对人工智能有一个误区，即人工智能只不过是用更高级、更复杂的数学指令，告诉计算机怎么做，怎样模拟人类行为，让计算机“佯装”理解人类的感情。但是，本书的作者告诉我们，其实，授“计算机”以鱼不如授“计算机”以渔。无需太高深的数学思想，我们仅凭高中数学，就可以打造出一个专家级别的“神经网络”。这并非夸大其辞，危言耸听，而是真真切切、实实在在的事实。
现在，各大报纸、网站、各式各样的自媒体，都在宣称一种观点，就是告诫青少年好好学习，否则将来不好找工作。我以为，这种观点还太乐观了，这误导了读者，认为只要现在努力学习，就可以顺利“逆袭”。如果用有点烧脑、学究式的语言来描述这个问题，一言以蔽之，那就是“人工智能时代存在一个人类价值体现方式变革的问题”。换句话说，如果我们依旧指望课本里的那些知识求生存，不求创新，不求探索，那么对知识掌握得再好，也只是拾人牙慧，只能湮没于滚滚的历史车轮之下。如果你想知道，我为何有如此感叹，请仔细阅读本书。只要你有一点中学的数学基础，看得懂中文，而对计算又有那么一点兴趣，你就可以读懂本书。逻辑的基础其实很简单。
在这里，要特别感谢人民邮电出版社的领导和编辑，感谢他们对我的信任和理解，把这样一本好书交给我翻译。同时我也要感谢他们为本书的出版投入了巨大的热情，可谓呕心沥血。没有他们的耐心和帮助，本书不可能顺利付梓。
译者才疏学浅，见闻浅薄，译文多有不足甚至错漏之处，还望读者谅解并不吝指正。读者如有任何意见和建议，请将反馈信息发送到邮箱cilin2046@gmail.com，不胜感激。林赐2017年9月15日于加拿大渥太华大学序言探索智能机器
千百年来，人类试图了解智能的机制，并将它复制到思维机器上。
人类从不满足于让机械或电子设备帮助做一些简单的任务，例如，使用燧石打火，使用滑轮吊起沉重的岩石，使用计算器做算术。
相反，我们希望能够自动化执行更具有挑战性、相对复杂的任务，如对相似的照片进行分组、从健康细胞中识别出病变细胞，甚至是来一盘优雅的国际象棋博弈。这些任务似乎需要人类的智能才能完成，或至少需要人类思维中的某种更深层次、更神秘的能力来完成，而在诸如计算器这样简单的机器中是找不到这种能力的。
具有类似人类智能的机器是一个如此诱人且强大的想法，我们的文化对它充满了幻想和恐惧，如斯坦利·库布里克导演的《2001: A Space Odyssey》中的HAL 9000（拥有巨大的能力却最终给人类带来了威胁）、动作片中疯狂的“终结者（Terminator）”机器人以及电视剧《Knight Rider》中具有冷静个性的话匣子KITT汽车。
1997年，国际象棋卫冕世界冠军、国际象棋特级大师加里·卡斯帕罗夫被IBM“深蓝”计算机击败，我们在庆祝这一历史性成就的同时，也担心机器智能的潜力。
我们如此渴望智能机器，以至于一些人受到了诱惑，使用欺骗手段，例如，臭名昭著的国际象棋机器Turkey仅仅是将一个人隐藏在机柜内而已！人工智能的新黄金时代
在20世纪50年代，人工智能这门学科正式成立，此时，人类雄心勃勃，对人工智能抱着非常乐观的态度。最初的成功，让人们看到了计算机可以进行简单的博弈、证明定理，因此，一些人相信，在十年左右的时间内，人类级别的人工智能将会出现。
但是，实践证明：发展人工智能困难重重，进展一度停滞不前。20世纪70年代，人们在学术界挑战人工智能的雄心遭到了毁灭性的打击。接下来，人们削减了人工智能研究经费，对人工智能的兴趣消失殆尽。
机器那冰冷的逻辑，绝对的1和0，看起来似乎永远不能够实现细致入微的、有机的，有时甚至模糊的生物大脑思维过程。
在一段时间内，人类未能独具匠心，百尺竿头，更进一步，将机器智能探索带出其既定轨迹。在此之后，研究人员灵光一现，研究人员灵光一现，为什么不模仿天然生物大脑的工作机制来构建人工大脑？真正的大脑具有神经元，而不是逻辑门。真正人脑具有更优雅、更有机的推理，而不是冰冷的、非黑即白的、绝对的传统算法。
蜜蜂或鸽子大脑的简单性与其能够执行复杂任务的巨大反差，这一点启发了科学家。就是这零点几克的大脑，看起来就能够做许多事情，如导航、适应风向、识别食物和捕食者、快速地决定是战斗还是逃跑。当今的计算机拥有大量的廉价资源，能够模仿和改进这些大脑吗？一只蜜蜂大约有950 000个神经元，今天的计算机，具有G比特和T比特的资源，能够表现得比蜜蜂更优秀吗？
但是，如果使用传统的方法来求解问题，那么即使计算机拥有巨大的存储和超快的处理器，也无法实现鸟和蜜蜂使用相对微小的大脑所做的事情。
受到仿生智能计算的驱动，神经网络（Neural Network）出现了，并且神经网络从此成为在人工智能领域中最强大、最有用的方法之一。今天，谷歌的Deepmind以神经网络为基础，能够做一些非常奇妙的事情，如让计算机学习如何玩视频游戏，并且在人类历史上第一次在极其变化多端的围棋博弈中击败了世界级的大师。如今，神经网络已经成为了日常技术的核心，例如自动车牌号码识别、解码手写的邮政编码。
本书所探讨的就是神经网络，让你了解神经网络如何工作，帮你制作出自己的神经网络，训练神经网络来识别人类的手写字符。如果使用传统的方法来执行这个任务，那么将是非常困难的。前言本书的目标读者
本书是为了任何希望了解什么是神经网络的读者而编写的，是为了任何希望设计和使用自己神经网络的读者而编写的，也是为了任何希望领略那些在神经网络发挥核心作用、相对容易但激动人心的数学思想的读者而编写的。
本书的目标读者，不是数学或计算机科学方面的专家。你不需要任何专业知识或超出中学的数学能力。
如果你可以进行加、减、乘、除运算，那么你就可以制作自己的神经网络。我们使用的最困难运算是梯度演算（gradient calculus），但是，我们会对这一概念加以说明，使尽可能多的读者能够理解这个概念。
有兴趣的读者，不妨以本书为起点，进一步探索激动人心的人工智能。一旦你掌握了神经网络的基本知识，你就可以将神经网络的核心思想运用到许多不同的问题中。
教师可以使用本书，优雅从容地解释神经网络，解释神经网络的实现，激起学生对神经网络的热情，鼓励学生使用短短的几行代码制作出能够学习的人工智能。本书中的代码已经通过了测试，能够在物美价廉的计算机——树莓派上工作。树莓派是备受学校和青年学生欢迎的一款计算机。
当我年少的时候，我难以理解这些功能强大但神秘的神经网络是如何工作的。当时，我多么希望存在一本类似的书籍。我在各种书籍、电影和杂志中看到关于神经网络的只言片语，但是当时，我只能找到一些艰深难懂的教科书，而这些教科书是为那些对数学及其术语非常了解的专家级别的人而编写的。
我曾经希望有人能够以让中学生理解的方式向我解释神经网络，满足我的好奇心。而这就是我写作本书的目的。我们将会做些什么
在这本书中，我们将扬帆起航，制作神经网络，识别手写数字。
我们将从非常简单的预测神经元开始，然后逐步改进它们，直到达到它们的极限。顺着这条路，我们将做一些短暂的停留，学习一些数学概念。我们需要这些数学概念来理解神经网络如何学习和预测问题的解。
我们将浏览一些数学思想，如函数、简单的线性分类器、迭代细化、矩阵乘法、梯度演算、通过梯度下降进行优化，甚至是几何旋转。但是，所有这些数学概念将会以一种非常优雅清晰的方式进行解释，并且除了简单的中学数学知识以外，读者完全不需要任何前提知识或专业技术。
一旦我们成功制作了第一个神经网络，我们将带着这种思想，在各个方面使用这种思想。例如，我们无需诉诸额外的训练数据，就可以使用图像处理来改善机器学习。我们将一窥神经网络的思想，看看它是否揭示了任何深刻的见解——很多书籍并没有向你展示神经网络的工作机制。
当我们循序渐进制作神经网络时，我们还将学习一种非常简单、有用和流行的编程语言Python。同样，你不需要有任何先前的编程经验。我们将如何做到这点
本书的主要目的是向尽可能多的人揭示神经网络背后的概念。这意味着我们将一直从让人们感觉舒服和熟悉的地方开始介绍这些概念。我们将采用简单的步骤，小步前进，从一些安全的地方开始构建知识，直到我们拥有足够的知识，去理解和欣赏一些关于神经网络的、很酷炫或让人很兴奋的东西。
为了使事情尽可能顺畅方便，我们将抵制诱惑，将讨论范围严格限定为制作神经网络所必需的知识。一些读者可能会对一些有趣的题外话感兴趣，如果你是这样的读者，那么我们鼓励你对神经网络进行更广泛的研究。
本书不会探讨所有可能的神经网络优化和改进的方法。虽然在实践中，存在很多种优化和改进的方法，但是这些内容与本书的核心目的背道而驰，本书只是想用一种尽可能简单易懂、简洁明了的方式介绍神经网络的基本思路。
我们有意将本书分成3章：● 在第1章中，我们将如清风拂面般，一览在简单的神经网络中所
用的数学思想。我们有意不介绍任何计算机编程知识，以避免喧
宾夺主地干扰了本书的核心思想。● 在第2章中，我们将学习足以实现自己的神经网络的Python知
识。我们将训练神经网络，识别手写数字，并且会测试神经网络
的性能。● 在第3章中，我们将进一步了解简单的神经网络，这超出了了解
基本神经网络知识的范畴，但是我们这样做只是为了获得一些乐
趣。我们将尝试一些想法，进一步改善神经网络的性能，我们将
观察已受训练的神经网络内部，看看我们是否理解神经网络所学
习到的知识，是否理解神经网络是如何做出决定进行回答的。
我们使用的软件工具都是免费开源的，你无须支付任何费用。你也不需要一台昂贵的计算机制作自己的神经网络。本书中的所有代码都已经经过了测试，可以在价廉物美的树莓派Zero上运行。在本书的末尾，附录B介绍了如何让你的树莓派准备就绪。反馈
如果在数学和计算机科学方面，我没能给你一种真正的兴奋和惊喜的感觉，那么这是我的失败。
如果在通过制作自己的人工智能、模拟人类大脑的学习能力的过程中，我没能向你展示出中学数学和简单的计算机方法可以变得如此出神入化，那么这是我的失败。
如果我没能给你信心和愿望，进一步探索那无比丰富的人工智能领域，那么这是我的失败。
我欢迎任何改善本书的反馈。请通过电子邮件地址makeyourownneuralnetwork@gmail.com或推特@myoneuralnet与我联系。
你也可以在异步社区（www.epubit.com），找到本书页面并下载示例代码。在这个网页中，也有中译本经过确认的勘误。第1章 神经网络如何工作“从你身边所有的小事情中，找到灵感。”1.1 尺有所短，寸有所长
计算机的核心部分就是计算器。这些计算器做算术非常快。
对于执行与计算器相匹配的任务而言，如对数字进行相加算出销售额、运用百分比算出税收、绘制现存数据的图表，这是很不错的。
即使是在计算机上观看网络电视节目或听流媒体的音乐，也只涉及一次又一次地执行简单的算术指令。在互联网上通过管道将1和0输送到计算机，重建视频帧，所使用的算术也不会比你在中学所做的加法运算复杂，这一点也许令你颇为惊奇。
计算机可以以相当快的速度，在1秒钟内进行4位数甚至10位数的相加，这也许给人留下了深刻的印象，但是这不是人工智能。人类可能发现自己很难快速地进行加法运算，然而进行加法运算的过程不需要太多的智慧。简单说来，这只要求计算机拥有遵循基本指令的能力，而这正是计算机内的电子器件所做的事情。
现在，让我们转到事情的背面，掀开计算机的底牌。
让我们观察下面的图片，看看你能认出图片中包含哪些内容。
你和我都看到了人脸、猫和树的图片，并识别出了这些内容。事实上，我们可以以非常高的精确度快速地做到这一点。在这方面，我们通常不会出错。
我们可以处理图像中所包含的相当大量的信息，并且可以成功地识别图像中有哪些内容。但这种任务对计算机而言，并不是那么容易，实际上，是相当困难的。问题计算机人类快速地对成千上万的大数字进行乘法运算简单困难在一大群人的照片中查找面孔困难简单
我们怀疑图像识别需要人类智能，而这是机器所缺乏的。无论我们造出的机器多么复杂和强大，它们依然不是人类。但是，由于计算机速度非常快，并且不知疲倦，我们恰恰希望计算机能更好地进行求解图像识别这类问题。人工智能所探讨的一切问题就是解决这种类型的难题。
当然，计算机将永远使用电子器件制造，因此研究人工智能的任务就是找到新方法或新算法，使用新的工作方式，尝试求解这类相对困难的问题。即使计算机不能完美地解决这些问题，但是我们只要求计算机足够出色，给人们留下一种印象，让人觉得这是智能在起作用。
关键点● 有些任务，对传统的计算机而言很容易，对人类而言却很难。例
如，对数百万个数字进行乘法运算。● 另一方面，有些任务对传统的计算机而言很难，对人类而言却很
容易。例如，从一群人的照片中识别出面孔。1.2 一台简单的预测机
让我们先从构建超级简单的机器开始。
想象一下，一台基本的机器，接受了一个问题，做了一些“思考”，并输出了一个答案。与我们在上面的例子中进行的操作一样，我们从眼睛输入图片，使用大脑分析场景，并得出在场景中有哪些物体的结论。
下面就是这台机器看起来的样子。
记住，计算机不是真的思考，它们只是得到包装的计算器，因此让我们使用更恰当的词语来形容这个过程。
一台计算机接受了一些输入，执行了一些计算，然后弹出输出。下列的内容详细说明了这一点。一台计算机对“3×4”的输入进行处理，这种处理也许是将乘法运算转化为相对简单的一组加法，然后弹出答案“12”。
你可能会想“这也没什么了不起的吧！”，没关系。这里，我们使用简单和熟悉的例子来引出此后我们将看到的更有趣的神经网络的概念。
让我们稍微增加一点复杂度。
试想一下将千米转化为英里的一台机器，如下所示。
现在想象一下，我们不知道千米和英里之间的转换公式。我们所知道的就是，两者之间的关系是线性的。这意味着，如果英里数加倍，那么表示相同距离的千米数也是加倍的。这是非常直观的。如果这都不是真理，那么这个宇宙就太让人匪夷所思了。
千米和英里之间的这种线性关系，为我们提供了这种神秘计算的线索，即它的形式应该是“英里=千米×C”，其中C为常数。现在，我们还不知道这个常数C是多少。
我们拥有的唯一其他的线索是，一些正确的千米/英里匹配的数值对示例。这些示例就像用来验证科学理论的现实世界观察实验一样，显示了世界的真实情况。真实示例千米英里100210062.137
我们应该做些什么，才能计算出缺失的常数C呢？我们信手拈来一个随机的数值，让机器试一试！让我们试着使用C = 0.5，看看会发生什么情况。
这里，我们令：英里=千米×C，其中千米为100，当前，我们猜测C为0.5。
这台机器得到50英里的答案。
嗯，鉴于我们随机选择了C = 0.5，这种表现还算不错。但是，编号为2的真实示例告诉我们，答案应该是62.137，因此我们知道这是不准确的。
我们少了12.137。这是计算结果与我们列出的示例真实值之间的差值，是误差。即：
误差值=真实值-计算值
= 62.137-50
= 12.137
下一步，我们将做些什么呢？我们知道错了，并且知道差了多少。我们无需对这种误差感到失望，我们可以使用这个误差，指导我们得到第二个、更好的C的猜测值。
再看看这个误差值。我们少了12.137。由于千米转换为英里的公式是线性的，即英里= 千米×C，因此我们知道，增加C就可以增加输出。
让我们将C从0.5稍微增加到0.6，观察会发生什么情况。
现在，由于将C设置为0.6，我们得到了英里=千米×C = 100×0.6 = 60，这个答案比先前50的答案更好。我们取得了明显的进步。
现在，误差值变得更小了，为2.137。这个数值甚至可能是我们很乐于接受的一个误差值。
这里，很重要的一点是，我们使用误差值的大小指导如何改变C的值。我们希望输出值从50增大一些，因此我们稍微增加了C的值。
我们不必尝试使用代数法计算出C需要改变的确切量，让我们继续使用这种方法改进C值。如果你还不能被我说服，还是认为计算出确切的答案才够简单，那么，请记住，更多有趣的问题是没有一个简单的数学公式将输出和输入关联起来的。这就是我们需要诸如神经网络这样相对成熟而复杂的方法的原因。
让我们再次重复这个过程。输出值60还是太小了。我们再次微调C，将其从0.6调到0.7。
糟糕！过犹不及，结果超过了已知的正确答案。先前的误差值为2.137，现在的误差值为-7.863。这个负号告诉我们，我们不是不足，而是超调了。请记住上面的公式，误差值等于真实值减去计算值。
如此说来，C = 0.6比C = 0.7好得多。我们可以就此结束这个练习，欣然接受C = 0.6带来的小小误差。但是，让我继续向前走一小段距离。我们为什么不使用一个较小的量，微调C，将C从0.6调到0.61呢？
这比先前得到的答案要好得多。我们得到输出值61，比起正确答案62.137，这只差了1.137。
因此，最后的这次尝试告诉我们，应该适度调整C值。如果输出值越来越接近正确答案，即误差值越来越小，那么我们就不要做那么大的调整。使用这种方式，我们就可以避免像先前那样得到超调的结果。
同样，读者无需为如何使用确切的方式算出C值而分心，请继续关注这种持续细化误差值的想法，我们建议修正值取误差值的百分之几。直觉上，这是正确的：大误差意味着需要大的修正值，小误差意味着我们只需要小小地微调C的值。
无论你是否相信，我们刚刚所做的，就是走马观花地浏览了一遍神经网络中学习的核心过程。我们训练机器，使其输出值越来越接近正确的答案。
这值得读者停下来，思考一下这种方法，我们并未像在学校里求解数学和科学问题时所做的一样一步到位，精确求解问题。相反，我们尝试得到一个答案，并多次改进答案，这是一种非常不同的方法。一些人将这种方法称为迭代，意思是持续地、一点一点地改进答案。
关键点● 所有有用的计算机系统都有一个输入和一个输出，并在输入和输
出之间进行某种类型的计算。神经网络也是如此。● 当我们不能精确知道一些事情如何运作时，我们可以尝试使用模
型来估计其运作方式，在模型中，包括了我们可以调整的参数。
如果我们不知道如何将千米转换为英里，那么我们可以使用线性
函数作为模型，并使用可调节的梯度值作为参数。● 改进这些模型的一种好方法是，基于模型和已知真实示例之间的
比较，得到模型偏移的误差值，调整参数。1.3 分类器与预测器并无太大差别
因为上述的简单机器接受了一个输入，并做出应有的预测，输出结果，所以我们将其称为预测器。我们根据结果与已知真实示例进行比较所得到的误差，调整内部参数，使预测更加精确。
现在，我们来看看测量得到的花园中小虫子的宽度和长度。
在上图中，你可以清楚地看到两群小虫。毛虫细而长，瓢虫宽而短。
你还记得给定千米数，预测器试图找出正确的英里数这个示例吗？这台预测器的核心有一个可调节的线性函数。当你绘制输入输出的关系图时，线性函数输出的是直线。可调参数Ｃ改变了直线的斜率。
如果我们在这幅图上画上一条直线，会发生什么情况呢？
虽然我们不能使用先前将千米数转换成英里数时的同样方式，但是我们也许可以使用直线将不同性质的事物分开。
在上图中，如果直线可以将毛虫与瓢虫划分开来，那么这条直线就可以根据测量值对未知小虫进行分类。由于有一半的毛虫与瓢虫在分界线的同一侧，因此上述的直线并没有做到这一点。
让我们再次调整斜率，尝试不同的直线，看看会发生什么情况。
这一次，这条直线真是一无是处！它根本没有将两种小虫区分开来。
让我们再试一次：
这条直线好多了！这条直线整齐地将瓢虫与毛虫区分开来了。现在，我们可以用这条直线作为小虫的分类器。
我们假设没有未经发现的其他类型的小虫，现在来说，这样假设是没有问题的，因为我们只是希望说明构建一台简单的分类器的思路。
设想一下，下一次，计算机使用机器手臂抓起一只新的小虫，测量其宽度和长度，然后它可以使用上面的分界线，将小虫正确归类为毛虫或瓢虫。
看看下图，你可以看到未知的小虫位于直线之上，因此这是一条毛虫。这种分类非常简单，但是非常强大！
我们已经看到了，在简单的预测器中，如何使用线性函数对先前未知的数据进行分类。
但是，我们忽略了一个至关重要的因素。我们如何得到正确的斜率呢？我们如何改进才能很好划分这两种小虫的分界线呢？
这个问题的答案处于神经网络学习的核心地带。让我们继续看下一节。1.4 训练简单的分类器
我们希望训练线性分类器，使其能够正确分类瓢虫或毛虫。在1.3节的图中，根据观察，我们知道要做到这一点，简单说来，就是要调整分界线的斜率，使其能够基于小虫的宽度和长度将两组点划分开来。
我们如何做到这一点呢？
我们无需研究一些最前沿的数学理论。让我们通过尝试摸着石头过河，使用这种方式，我们可以更好地了解数学。
我们确实需要一些可以借鉴的实例。为了简单化这项工作，下表显示了两个实例。实例宽度长度小虫13.01.0瓢虫21.03.0毛虫
我们有宽度为3.0和长度为1.0的一只小虫，我们知道这是瓢虫。我们还有长度较长（为3.0）、宽度较小（为1.0）的一只小虫，这是一条毛虫。
我们知道这组实例是正确的。这些实例帮助我们调整分类函数的斜率。用来训练预测器或分类器的真实实例，我们称为训练数据。
让我们绘制出这两个训练数据实例。通过观察数字列表或数字表格是不容易理解和感知数据的，而可视化数据有助于我们做到这一点。
让我们使用一条随机的分界线开始我们的讨论。回顾一下，在千米转换为英里预测器的实例中，我们有一个调整了参数的线性函数。此处，由于分界线是一条直线，因此我们也可以进行相同的处理：y =Ax
由于严格来说，此处的直线不是一台预测器，因此我们有意使用名称y和x，而不使用名称长度和宽度。与先前我们将千米转换为英里不一样，这条直线不将宽度转换为长度。相反，它是一条分界线，是一台分类器。
你可能还注意到，y = Ax比完整的直线形式y =Ax+ B更简单。我们刻意让花园中小虫的场景尽可能简单。简单说来，非零值B意味着直线不经过坐标原点。但是在我们的场景中，B不为零并未有任何用途。
之前，我们看到参数A控制着直线的斜率。较大的A对应着较大的斜率。
让我们尝试从A = 0.25开始，分界线为y = 0.25x。在与训练数据的同一张图中，我们绘制这条直线，观察一下这是一种什么情况。
无需任何计算，我们可以观察到直线y = 0.25x不是一台很好的分类器。这条直线未将两种类型的小虫区分开来。由于瓢虫也处在直线之上，因此我们不能说“如果小虫在直线之上，则这是一条毛虫”。
直观上，我们观察到需要将直线向上移动一点，但是我们要抵制诱惑，不能通过观察图就画出一条合适的直线。我们希望能够找到一种可重复的方法，也就是用一系列的计算机指令来达到这个目标。计算机科学家称这一系列指令为算法（algorithm）。
让我们观察第一个训练样本数据：宽度为3.0和长度为1.0瓢虫。如果我们使用这个实例测试函数y =Ax，其中x为3.0，我们得到：y =0.25*3.0= 0.75
在这个函数中，我们将参数A设置为初始随机选择的值0.25，表明对于宽度为3.0的小虫，其长度应为0.75。但是，由于训练数据告诉我们这个长度必须为1.0，因此我们知道这个数字太小了。
现在，我们有了一个误差值。正如先前将千米转换为英里的预测器实例一样，我们可以利用这个误差值来搞清楚如何调整参数A。
但是，在我们调整参数A之前，让我们考虑y应该是什么值。如果y为1.0，那么直线就会恰好经过瓢虫所在的坐标点（x，y）=（3.0，1.0）。这是一个非常微妙的点，但是实际上，我们并不希望出现这种情况。我们希望直线处于这个点上方。为什么呢？因为我们希望所有瓢虫的点处于直线下方，而不是在直线上。这条直线需要成为瓢虫和毛虫之间的一条分界线，而不是给定小虫宽度、预测小虫长度的一个预测器。
因此，当x = 3.0时，我们尝试使用y=1.1的目标值。这只是比1.0大一点的数。我们也可以选择1.2甚至1.3，但是我们不希望使用10或100这样较大的数字，因为这很可能会使得直线在瓢虫和毛虫上方，导致这个分类器没有一点作用。
因此，期望的目标值是1.1，误差值E为误差值=（期望目标值-实际输出值）
这样E = 1.1-0.75 = 0.35
让我们暂停下来提醒一下自己，将误差值、期望的目标值和计算值的意义在图上表示出来。
现在，我们需要对这个E做些什么，才能更好地指导我们调整参数A呢？这是一个重要的问题。
在这个任务中，让我们退一步再想一想。我们希望用y中称为E的误差值，来搞清楚参数A所需改变的值。要做到这一点，我们需要知道两者的关系。A与E是如何关联的呢？如果我们知道了这一点，那么我们就可以理解更改一个值如何影响另一个值。
我们先从分类器的线性函数开始：y =Ax
我们知道，A的初始猜测值给出了错误的y值，y值应该等于训练数据给定的值。我们将正确的期望值t称为目标值。为了得到t值，我们需要稍微调整A的值。数学家使用增量符号Δ表示“微小的变化量”。下面我们将这个变化量写出来：t = (A + ΔA)x
让我们在图中将其画出来，以使其更容易理解。在图中，你可以看到新的斜率（A+ΔA）。
请记住，误差值E是期望的正确值与基于A的猜测值计算出来的值之间的差值。也就是说，E等于t-y。
我们将这个过程写出来，这样就清楚了：t-y = (A + ΔA)x- Ax
展开表达式并化简：E=t-y = (A + ΔA)x- AxE = (ΔA)x
这是多么美妙啊！误差值E与ΔA存在着一种简单的关系。这种关系如此简单，以至于我认为这是错的，但实际上这是正确的。无论如何，这种简单的关系让我们的工作变得相对容易。
我们很容易沉迷于代数，或由于代数而分心。让我们提醒自己，我们所希望的是摆脱这些代数，用一些简明的语言达到我们的目标。
根据误差值E，我们希望知道需要将A调整多少，才能改进直线的斜率，得到一台更好的分类器。要做到这一点，我们只要重新调整上一个方程，将 ΔA算出：ΔA= E / x
这就可以了！这就是我们一直在寻找的神奇表达式。我们可以使用误差值E，将所得到的ΔA作为调整分界线斜率A的量。
让我们开始吧 ——更新最初的斜率。
误差值为0.35，x为3.0。这使得ΔA = E / x = 0.35 / 3.0 = 0.1167。这意味着当前的A = 0.25需要加上0.1167。这也意味着，修正后的A值为（A +ΔA），即0.25 + 0.1167 = 0.3667。当A=0.3667时，使用这个A值计算得到的y值为1.1，正如你所期望的，这就是我们想要的目标值。
唷！我们做到了！我们找到了基于当前的误差值调整参数的方法。
让我们继续前进吧！
现在，我们已经完成了一个实例训练，让我们从下一个实例中学习。此时，我们已知正确值对为x = 1.0和y = 3.0。
当线性函数使用更新后的A = 0.3667，并把x = 1.0代入到线性函数中时，让我们观察会发生什么情况。我们得到y = 0.3667 * 1.0 = 0.3667。这与训练样本中y = 3.0相去甚远。
基于与先前同样的推理，我们希望直线不要经过训练数据，而是稍微高于或低于训练数据，我们将所需的目标值设置为2.9。这样，毛虫的训练样本就在直线上方，而不是在直线之上。误差值E为2.9-0.3667= 2.5333。
比起先前，这个误差值更大，但是如果仔细想想，迄今为止，我们只使用一个单一的训练样本对线性函数进行训练，很明显，这使得直线偏向于这个单一的样本。
与我们先前所做的一样，让我们再次改进A。ΔA为E / x，即2.5333 / 1.0 = 2.5333。这意味着较新的A为0.3667 + 2.5333 = 2.9。这也意味着，对于x = 1.0，函数得出了2.9的答案，这正是所期望的值。
这个训练量有点大了，因此，让我们再次暂停，观察我们已经完成的内容。下图显示出了初始直线、向第一个训练样本学习后的改进直线和向第二个训练样本学习后的最终直线。
等等，这是什么情况啊！看着这幅图，我们似乎并没有做到让直线以我们所希望的方式倾斜。这条直线没有整齐地划分出瓢虫和毛虫。
好了，我们理解了先前的诉求。改进直线，以得出各个所需的y值。
这种想法有什么错误呢？如果我们继续这样操作，使用各个训练数据样本进行改进，那么我们所得到的是，最终改进的直线与最后一次训练样本非常匹配。实际上，最终改进的直线不会顾及所有先前的训练样本，而是抛弃了所有先前训练样本的学习结果，只是对最近的一个实例进行了学习。
如何解决这个问题呢？
其实很简单！在机器学习中，这是一个重要的思路。我们应该进行适度改进（moderate）。也就是说，我们不要使改进过于激烈。我们采用ΔA几分之一的一个变化值，而不是采用整个ΔA，充满激情地跳跃到每一个新的A值。使用这种方法，我们小心谨慎地向训练样本所指示的方向移动，保持先前训练迭代周期中所得到的值的一部分。在先前相对简单的千米转换为英里的预测器中，我们就已经观察到这种有节制的调整，我们小心翼翼地调整参数C，使其只是实际误差值的几分之几。
这种自我节制的调整，还带来了一个非常强大、行之有效的“副作用”。当训练数据本身不能确信为完全正确并且包含在现实世界测量中普遍出现的错误或噪声这两种情况时，有节制的调整可以抑制这些错误或噪声的影响。这种方法使得错误或噪声得到了调解和缓和。
好吧，让我们重新使用这种方法。但是这一次，在改进公式中，我们将添加一个调节系数：ΔA= L（E / x）
调节系数通常被称为学习率（learning rate），在此，我们称之为L。我们就挑L = 0.5作为一个合理的系数开始学习过程。简单说来，这就意味着我们只更新原更新值的一半。
再一次重复上述过程，我们有一个初始值A = 0.25。使用第一个训练样本，我们得到y = 0.25 * 3.0 = 0.75，期望值为1.1，得到了误差值0.35。ΔA = L（E / x）= 0.5 * 0.35 / 3.0 = 0.0583。更新后的A值为0.25 + 0.0583 = 0.3083。
尝试使用新的A值计算训练样本，在x = 3.0时，得到y = 0.3083 * 3.0 = 0.9250。现在，由于这个值小于1.1，因此这条直线落在了训练样本错误的一边，但是，如果你将这视为后续的众多调整步骤的第一步，则这个结果不算太差。与初始直线相比，这条直线确实向正确方向移动了。
我们继续使用第二个训练数据实例，x = 1.0。使用A = 0.3083，我们得到y = 0.3083 * 1.0 = 0.3083。所需值为2.9，因此误差值是2.9-0.3083= 2.5917。ΔA = L(E / x) = 0.5 * 2.5917 / 1.0 = 1.2958。当前，第二个更新的值A等于0.3083 + 1.2958 = 1.6042。
让我们再次观察初始直线、改进后的直线和最终直线，观察这种有节制的改进是否在瓢虫和毛虫区域之间是否得到了更好的分界线。
结果真的很不错！
即使使用这两个简单的训练样本，利用带有调节学习速率的一种相对简单的改进方法，我们也非常迅速地得到了一条很好的分界线y =Ax，其中A为1.6042。
让我们先放下已经取得的成就。我们已经实现了自动化的学习方法，虽然方法非常简单，但卓有成效地对若干实例进行分类。
这太棒了！
关键点● 我们使用简单的数学，理解了线性分类器输出误差值和可调节斜
率参数之间的关系。也就是说，我们知道了在何种程度上调整斜
率，可以消除输出误差值。● 使用朴素的调整方法会出现一个问题，即改进后的模型只与最后
一次训练样本最匹配，“有效地”忽略了所有以前的训练样本。
解决这个问题的一种好方法是使用学习率，调节改进速率，这样
单一的训练样本就不能主导整个学习过程。● 来自真实世界的训练样本可能充满噪声或包含错误。适度更新有
助于限制这些错误样本的影响。1.5 有时候一个分类器不足以求解问题
到目前为止，我们展示了简单的预测器和分类器。正如我们刚才所观察到的，这些预测器和分类器，接受了某个输入进行一些计算，然后抛出了一个答案。虽然这些预测器和分类器行之有效，却不足以求解一些更有趣的问题，而我们希望应用神经网络来求解这些问题。
此处，我们将使用一个简单而鲜明的实例，来说明线性分类器的局限性。我们为什么要说明线性分类器的局限性，而不直接跳转到讨论神经网络呢？原因就是，神经网络的一个重要的设计特征来源于对这个局限性的理解，因此值得花一些时间来讨论这个局限性。
我们不再讨论花园里的小虫。现在，我们来观察布尔逻辑函数。这个术语听起来像晦涩难懂的暗语——别太担心，乔治•布尔是一名数学家和哲学家，他的名字与一些简单的函数相关，如AND和OR函数。
布尔逻辑函数就像语言函数或思想函数。如果我们说“当且仅当，你吃了蔬菜AND（并且）依然很饿的情况下，你可以吃布丁”，这里，我们就使用布尔AND函数。只有在两个条件都为真的情况下，布尔AND函数才为真。如果只有一个条件为真，那么AND函数为假。因此，如果“我饿了”，但是“我还没有吃蔬菜，我就不能吃布丁”。
同样，如果我们说“如果这是周末，OR（或）这是你的年假，那么你可以在公园里玩”，这里，我们使用了布尔OR函数。如果这些条件有任何一个为真或全部为真，那么布尔OR函数为真。这无需像布尔AND函数一样，必须两个条件都为真。因此，即使“这不是周末”，但是“我已经申请了年假，我一样可以去公园玩”。
我们回顾首次见到的函数，我们将这些函数视为机器，这些机器接受了一些输入，做了一些工作，并输出答案。布尔逻辑函数通常需要两个输入，并输出一个答案。
计算机通常使用数字1表示真，使用数字0表示假。下列的表格使用这种相对简洁的表示方法，基于输入值A和输入值B的所有组合，表示了逻辑AND和OR函数。输入值A输入值B逻辑AND逻辑OR0000010110011111
你可以很清楚地看到，只有A和B同时为真时，AND函数才为真。同样，你也可以看到，只要A和B有一个为真时，OR就为真。
在计算机科学中，布尔逻辑函数非常重要。事实上，最早的电子计算机就是使用执行这些逻辑函数的微电路构造的。即使是算术，也是使用这些本身很简单的布尔逻辑函数的电路组合来完成的。
想象一下，不论数据是否由布尔逻辑函数控制，使用简单的线性分类器就可以从训练数据中学习。对于试图在一些观察和另一些观察之间找到因果关系或相关关系的科学家而言，这是很自然也是很有用的一种工具。例如，在下雨时AND（并且）温度高于35摄氏度时，有更多疟疾病人吗？当这两个条件（布尔OR）有任何一个条件为真时，有更多疟疾病人吗？
请看下图，这幅图在坐标系中显示了两个输入值A和B与逻辑函数的关系。这幅图显示，只有当两个输入均为真时，即具有值 1时，输出才为真，使用绿色表示。否则输出为假，显示为红色。
你还可以看到一条直线，将绿色区域和红色区域划分开来。正如我们先前完成的演示，这条直线是线性分类器可以学习到的一个线性函数。
在这个例子中，数字计算没有本质上的不同，因此我们就不像先前一样进行数字计算了。
事实上，有许多不同的分界线，也可以很好地对区域进行划分，但是，主要的一点是，对于形如y = ax + b的简单的线性分类器，确实可以学习到布尔AND函数。
现在，观察使用类似的方式绘制出的布尔OR函数：
此时，由于仅有点（0,0）对应于输入A和B同时为假的情况，因此只有这个点是红色的。
所有其他的组合，至少有一个A或B为真，因此输出为真。这幅图的妙处在于，它清楚地表明了线性分类器也可以学习到布尔OR函数。
还有另一种布尔函数称为XOR，这是eXclusive OR（异或）的缩写，这种函数只有在A或B仅有一个为真但两个输入不同时为真的情况下，才输出为真。也就是说，当两个输入都为假或都为真时，输出为假。下表总结了这一点。输入A输入B逻辑XOR000011101110
现在，观察这个函数的图，其中网格节点上的输出已经画上颜色了。
试读结束[说明：试读内容隐藏了图片]