一边学，一边写出的人工智能教程（一）

　　（keras安装可参考个人文章：Windows 下 Python 3.6 下安装 TensorFlow，和pyopencl不要紧）

　　首先，你要有一些数学和哲学知识，好比：

• 据说过【向量】 （知道能够把数写成(1,2,3,4)这种形式便可）

• 懂一点【抽象】，能提炼出一些事物的关联 （好比，汽车和自行车有什么共同点？）

• 能不看教程写出python小程序（好比打印helloworld）

• （技巧：看不很懂就试图“观其大略”）
  

　　对于向量，若是想进一步了解，能够参考视频：

　　3Blue1Brown的视频教程（线性代数） 

　　（你至少会从中习惯，能够把向量竖着写）

　　接下来的三个视频也是一样的来源。显然他们说的比我好，我只须要放连接……

　　3Blue1Brown的视频教程（神经网络）1

　　3Blue1Brown的视频教程（神经网络）2

　　3Blue1Brown的视频教程（神经网络）3 （分上下篇）

　　再放一个：（我是按顺序放的）

　　知乎回答（卷积层）（卷积神经网络简称CNN）

　　（做者：地球的外星人君；来源：知乎）

　　下面的代码就出自上方回答。但我处理了一下，写成了伪代码……

### 准备原料

### 制做饲料

### 制做猫

### 喂猫

　　（笑）大概就是这么个过程，虽然比较抽象，但可以说明问题。具体一点的话，第一步是这样的：

### 准备原料！
import numpy

from keras.datasets import mnist
        # data数据，set集合，datasets数据集；    mnist是一个著名的数字图像识别数据集

from keras.models import Sequential
        # model模型；    Sequential 序贯模型（应该就是最简单的模型——层与层相继链接而已）

from keras.layers import Dense
        # layer层；    dense密集的（多是指普通的一层）

from keras.layers import Dropout
        # dropout丢弃

from keras.layers import Flatten
        # flatten压平，numpy中此名称对应函数是把无论多少维的矩阵中的数 列为一行

from keras.layers.convolutional import Conv2D
        # convolutional卷积；    Conv2D大概是2维卷积

from keras.layers.convolutional import MaxPooling2D
        # MaxPooling 区域中共同最大值 （记得那个回答中的“池化”么）

from keras.utils import np_utils
        # util工具；    np应该是numpy

seed = 7
numpy.random.seed(seed)
        # 随机数初始化，seed种子（若是你知道个人世界种子，就很好理解）
        # 种子随机就是说，用同一个种子会生成同一个随机数列，即便反复运行

　　第二步：（你可能须要事先理解多维数组）

　　（代码较宽，向右选中文字能够移动）

### 制做饲料！

# 加载信息
(X_train, y_train), (X_test,y_test) = mnist.load_data()
        # 两个X都是列表，其元素为图像（二维矩阵表示）；两个y也都是列表，其元素是X中图像对应的数字；train表示训练用，test表示测试用

# 使信息成为模型能处理的格式
X_train = X_train.reshape(X_train.shape[0],28, 28,1).astype('float32')
        # （张量，英文tensor，0维张量是标量，1维是向量，2维是矩阵，3维大概是立方阵，等等）
        # n维张量的shape是由各维度上的元素个数组成的n元向量，好比三阶方阵的shape是(3,3)
        # reshape就是把矩阵按顺序展平后从新拼（好比全是1的三阶方阵通常是这么表示的：[[1,1,1],[1,1,1],[1,1,1]]，展平就是只留最外层括号）
        # 另：最后一个1是图像通道数，灰度图天然是1，三色应该就是3

X_test = X_test.reshape(X_test.shape[0],28, 28,1).astype('float32')
        # 整数类型化为浮点类型

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，
        # 记得3Blue1Brown视频里输出的样子么？一列

num_classes = y_test.shape[1]
        # 结果数量

　　第三步：

### 制做猫！

def baseline_model():

	model = Sequential()
	        # 建一个空的“序贯模型”

	model.add(Conv2D(32, (3, 3), padding='valid', input_shape=(28, 28,1), activation='relu'))
	model.add(MaxPooling2D(pool_size=(2, 2)))
	        # 添加卷积层

	model.add(Conv2D(15, (3, 3), padding='valid' ,activation='relu'))
	model.add(MaxPooling2D(pool_size=(2, 2)))
	        # 彷佛是再加一个卷积层    （导入部分已经翻译了函数名称）

	model.add(Flatten())
	        # 进入一维模式    （记得视频里把图像一维化么，这里是先卷积再一维化）

	model.add(Dense(128, activation='relu'))
	model.add(Dense(num_classes, activation='softmax'))
	        # “密集层”（彷佛也叫“全链接”）

	model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
	        # compile编译，这总不应解释运行了……
	return model

model = baseline_model()
        # （用函数加调用来建立模型“看起来更清晰”）

　　第四步：

### 喂猫

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

　　运行很是慢（这但是神经网络！），我没有GPU，训练一次大约要40秒（最后一行的epoch表示训练次数）。看着别人的个位数秒数，有点难过。

　　（2018-2-6 于地球）