一邊學，一邊寫出的人工智能教程（一）

　　（keras安裝可參考個人文章：Windows 下 Python 3.6 下安裝 TensorFlow，和pyopencl不要緊）

　　首先，你要有一些數學和哲學知識，好比：

• 據說過【向量】 （知道能夠把數寫成(1,2,3,4)這種形式便可）

• 懂一點【抽象】，能提煉出一些事物的關聯 （好比，汽車和自行車有什麼共同點？）

• 能不看教程寫出python小程序（好比打印helloworld）

• （技巧：看不很懂就試圖「觀其大略」）
  

　　對於向量，若是想進一步瞭解，能夠參考視頻：

　　3Blue1Brown的視頻教程（線性代數） 

　　（你至少會從中習慣，能夠把向量豎着寫）

　　接下來的三個視頻也是一樣的來源。顯然他們說的比我好，我只須要放連接……

　　3Blue1Brown的視頻教程（神經網絡）1

　　3Blue1Brown的視頻教程（神經網絡）2

　　3Blue1Brown的視頻教程（神經網絡）3 （分上下篇）

　　再放一個：（我是按順序放的）

　　知乎回答（卷積層）（卷積神經網絡簡稱CNN）

　　（做者：地球的外星人君；來源：知乎）

　　下面的代碼就出自上方回答。但我處理了一下，寫成了僞代碼……

### 準備原料

### 製做飼料

### 製做貓

### 喂貓

　　（笑）大概就是這麼個過程，雖然比較抽象，但可以說明問題。具體一點的話，第一步是這樣的：

### 準備原料！
import numpy

from keras.datasets import mnist
        # data數據，set集合，datasets數據集；    mnist是一個著名的數字圖像識別數據集

from keras.models import Sequential
        # model模型；    Sequential 序貫模型（應該就是最簡單的模型——層與層相繼鏈接而已）

from keras.layers import Dense
        # layer層；    dense密集的（多是指普通的一層）

from keras.layers import Dropout
        # dropout丟棄

from keras.layers import Flatten
        # flatten壓平，numpy中此名稱對應函數是把無論多少維的矩陣中的數 列爲一行

from keras.layers.convolutional import Conv2D
        # convolutional卷積；    Conv2D大概是2維卷積

from keras.layers.convolutional import MaxPooling2D
        # MaxPooling 區域中共同最大值 （記得那個回答中的「池化」麼）

from keras.utils import np_utils
        # util工具；    np應該是numpy

seed = 7
numpy.random.seed(seed)
        # 隨機數初始化，seed種子（若是你知道個人世界種子，就很好理解）
        # 種子隨機就是說，用同一個種子會生成同一個隨機數列，即便反覆運行

　　第二步：（你可能須要事先理解多維數組）

　　（代碼較寬，向右選中文字能夠移動）

### 製做飼料！

# 加載信息
(X_train, y_train), (X_test,y_test) = mnist.load_data()
        # 兩個X都是列表，其元素爲圖像（二維矩陣表示）；兩個y也都是列表，其元素是X中圖像對應的數字；train表示訓練用，test表示測試用

# 使信息成爲模型能處理的格式
X_train = X_train.reshape(X_train.shape[0],28, 28,1).astype('float32')
        # （張量，英文tensor，0維張量是標量，1維是向量，2維是矩陣，3維大概是立方陣，等等）
        # n維張量的shape是由各維度上的元素個數組成的n元向量，好比三階方陣的shape是(3,3)
        # reshape就是把矩陣按順序展平後從新拼（好比全是1的三階方陣通常是這麼表示的：[[1,1,1],[1,1,1],[1,1,1]]，展平就是隻留最外層括號）
        # 另：最後一個1是圖像通道數，灰度圖天然是1，三色應該就是3

X_test = X_test.reshape(X_test.shape[0],28, 28,1).astype('float32')
        # 整數類型化爲浮點類型

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，
        # 記得3Blue1Brown視頻裏輸出的樣子麼？一列

num_classes = y_test.shape[1]
        # 結果數量

　　第三步：

### 製做貓！

def baseline_model():

	model = Sequential()
	        # 建一個空的「序貫模型」

	model.add(Conv2D(32, (3, 3), padding='valid', input_shape=(28, 28,1), activation='relu'))
	model.add(MaxPooling2D(pool_size=(2, 2)))
	        # 添加捲積層

	model.add(Conv2D(15, (3, 3), padding='valid' ,activation='relu'))
	model.add(MaxPooling2D(pool_size=(2, 2)))
	        # 彷佛是再加一個卷積層    （導入部分已經翻譯了函數名稱）

	model.add(Flatten())
	        # 進入一維模式    （記得視頻裏把圖像一維化麼，這裏是先卷積再一維化）

	model.add(Dense(128, activation='relu'))
	model.add(Dense(num_classes, activation='softmax'))
	        # 「密集層」（彷佛也叫「全鏈接」）

	model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
	        # compile編譯，這總不應解釋運行了……
	return model

model = baseline_model()
        # （用函數加調用來建立模型「看起來更清晰」）

　　第四步：

### 喂貓

model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=5, batch_size=128, verbose=2)

　　運行很是慢（這但是神經網絡！），我沒有GPU，訓練一次大約要40秒（最後一行的epoch表示訓練次數）。看着別人的個位數秒數，有點難過。

　　（2018-2-6 於地球）