全书总评
- 书本印刷质量：4星。纸张是米黄色，可以保护眼睛；印刷清楚，文字排版整洁，基本没有排版过程中引入的错误，阅读不累眼睛。但是可能是Word排版，感觉数学公式的排版不是太好。
- 著作编写质量：4星。简单，易懂，入门很好。可能是为了帮助读者克服对数学的恐惧，所以多用图来说明。但是，没有数学的神经网络本质上还是空中楼阁，过于淡化数学的作用反而使推导部分读起来费劲。
- 著作翻译质量：3星。没有明显的问题，基本使用的都是业界常用词汇。其实给3~4星我都在犹豫，因为翻译本身没有错误，作者也不是靠机翻了事，但是作为一本入门图书，过于长的句子（英文表述的风格）使人经常会看着看着就从书中“出戏”了，影响思绪的连贯性。
- 代码质量：4星。代码问题不大，还可以去GitHub下载。作者的GitHub，热心读者的GitHub和CSDN-Blog
- 总结：如果还想进一步了解神经网络，请移步《神经网络与机器学习》；如果想进一步了解Python，请稳步Python书籍总结。如果想进入机器学习的行业，还是找机会精读一遍《高等数学》、《线性代数》和《概率统计》吧，对于后期了解原理绝对是有好处的。
读书笔记
C01.神经网络如何工作？
- 计算机能干啥？打游戏、听音乐、看视频，还可以图像识别、知识推理等等。
- 预测机能干啥？不是程序员教的知识，而通过学习得到的知识，用来处理未来的问题
- 分类器能干啥？对数据进行区分，例如：苹果与香蕉，通过学习，找出它们的特征，从而学会分辨
- 分类器如何训练（学习）？先学习正确的知识，如果结果不对就调整记忆，最终全部答对正确的知识
- 分类器如何解决更为复杂的问题？多个学习单元一起学习
- 神经元的基本原理：计算机的神经网络只是生物神经元的仿真，或者叫数学解释，或者叫计算机模拟。
- 信号在神经网络中如何流动？
- 怎样简化神经网络的表示：矩阵。
- 使用矩阵乘法来表示三层神经网络的例子。
- 神经元的权重如何学习？基本原理
- ★反向传播误差算法（11~13）
- 多层神经网络的误差是如何反向传播的？
- 误差如何反向传播到更多层中？
- 简单的3层神经网络：输入层+隐藏层+输出层，误差如何在隐藏层中传播来修改权重。
- 如何使用矩阵乘法来描述反向传播误差？
- 如何更新神经网络的权重？数学算法（梯度下降）
- 权重更新的具体案例。
- 神经网络训练的过程：输入（准备训练数据）、权重（随机初始化）、输出（误差函数优化）
C02.使用Python进行DIY
- Python是啥？一种非常利于阅读的编程语言，适合非计算机专业人员学习和使用
- IPython是啥？交互式Python。
- Python怎么用？就是帮你基本了解Python，方便后面看Python代码。
- 使用Python制作神经网络：进入正题了，跟着作者输入一遍代码，可以加深理解。
- 数据集MNIST：进入真正的实用项目了。
- 输入完整的代码；（有地方看不懂，是因为书中给出的Python说明远远不够，但是别在意这些不懂，继续前进，先明白神经网络可以干啥）
- 用小的数据集训练和测试神经网络，会发现对于复杂一点的样本就无法正常识别了；
- 使用完整的数据集训练和测试神经网络，这次耗时有点长，但是准确率会大大提升，看样子多花点时间学习是值得的；
- 一点改进：调整学习率，会发现效果不一样了，为什么呢？具体原理可以参考《神经网络与机器学习》
- 一点改进：多次运行，同样的训练数据再学习一次还能够提高识别率，但是如果次数过多会出现过拟合，参考《神经网络与机器学习》；
- 一点改变：调整隐藏层的节点数目，可能会影响识别率（P146，图），参考《神经网络与机器学习》；
C03.开拓思维
- 自己创造数据：用画图软件创造一个图片用于识别，图片大小必须是（28*28）像素格式的；
- 神经网络的秘密：
- 神秘的黑盒子：像人一样有冗余能力，少量的损失只会影响精度，不会完全失去能力；
- 逆向查询：把输出变输入，输入变输出，可以发现神经网络到底从数据中学到了什么；
- 创建新的训练数据：真实情况下数字可能是扭曲的、旋转的、不规范的，创造这样的数据试试网络的识别率，想想识别不出的原因？
附录A。微积分简介
如果你对大学数学心存恐惧，那么试着读读这本书中的微积分介绍，可能会帮助你理解极限和求导，甚至还有高阶的链式法则，至少让你心里觉得原来高等数学没有想像中的那么难。
当然，学习数学依然还是考验毅力的一项活动，一本数学书看个一年都是常事，数学专业的同学常说“实变函数学十遍，泛函分析胆泛寒”。
附录B。树莓派
这个对于中国同学似乎用处不大，中国人民突然变得钱多多起来，电脑已经是上大学的标配了。当然如果有时间，试着玩玩还是很有趣的，而且树莓派的应用范围非常广泛，学了不吃亏。