深度学习入门：基于Python的理论与实现【笔记】

深度学习入门：基于Python的理论与实现这本数的阅读笔记
根据自己的情况总结的，可能有些简单的就没做笔记。

NumPy

在深度学习的实现中，经常出现数组和矩阵的计算。NumPy的数组类(numpy.array)中提供了很多便捷的方法，在实现深度学习时，我们将使用这些方法。我们来简单介绍一下后面会用到的NumPy。

上面就是定义numpy数组以及加减乘除的运算。

上面代码就是看数据类型以及其形状。

上面代码主要是索引访问元素，以及将其变成一维的。

Matplotlib

在深度学习的实验中，图形的绘制和数据的可视化非常重要。Matplotlib是用于绘制图形的库，使用Matplotlib可以轻松地绘制图形和实现数据的可视化。这里，我们来介绍一下图形的绘制方法和图像的显示方法。

plt.legend() 是 Matplotlib 库中的一个函数，用于添加图例。在使用 plt.plot() 绘图时，我们可以在其中传入 label 参数设置该线条的标签，然后调用 plt.legend() 函数就可以在图中显示出该标签所对应的图例。该函数通常在绘制完所有的线条或散点图之后进行调用。

上面那个是绘制图形，这个是绘制图片。

感知机

感知机是什么？ 感知机接收多个输入信号，输出一个信号。

以一个接收两个输入信号的感知机的例子：

x1、x2是输入信号，y是输出信号，w1、w2是权重
输入信号被送往神经元时，会被分别乘以固定的权重。神经元会计算传送过来的信号的总和，只有当这个总和超过 了某个界限值时，才会输出1。这也称为“神经元被激活”。这里将这个界限值称为阈值，用符号θ表示。

请用梯度法求f(x0+x1)=x0² +x1² 的最小值。

import numpy as np
def function(x):#函数
    return x[0]**2+x[1]**2
def numerical_gradint(f,x):#计算梯度
    h=1e-4
    grad=np.zeros_like(x)

    for idx in range(x.size):
        tmp_val=x[idx]

        x[idx]=tmp_val+h
        fxh1=f(x)

        x[idx]=tmp_val-h
        fxh2=f(x)

        grad[idx]=(fxh1-fxh2)/(2*h)
        x[idx]=tmp_val
    return grad

def gradient_descent(f,init_x,lr=0.01,step_num=100):#根据梯度更新
    x=init_x
    for i in range(step_num):
        grad=numerical_gradint(f,x)
        x-=lr*grad
    return x

init_x=np.array([-3.0,4.0])
temp=gradient_descent(function,init_x=init_x,lr=0.1,step_num=100)
print(temp)

输出结果：

[-6.11110793e-10  8.14814391e-10]#接近于[0,0]