众所周知，硬编码是不行的，没有普适性，没有推广性。这里我们呢采用两个函数，不仅仅是输入图片，然后识别它是一只猫，一个是训练函数（用来接受图片和标签，然后输出模型）另一个是预测函数（接收一个模型，对图片种类进行预测）
CNN——convolutional neural networks
首先来熟悉基本操作：
- 列表：a=[1,2,3,4]，查询区间左闭右开。-1代表最后一个元素，-2倒数第二
- 生成字典：a={‘key’:value}，切记用冒号，查询用a[‘key’]，添加元素用a[‘new_key’]=new_value
- 布尔型：True和False，运算有and、or、 not
- if：判断语句不需要打括号，直接if 判断:回车即可，else:回车
- 循环：for i in …:回车
- 函数：def 函数名():回车，用的时候直接函数名()即可
- 类&Numpy&画图：详见VScode 2020/6/9.py
- 感知机实现：详见VScode 2020/6/10.py
说起来，我半年钱就接触感知机了，只不过是人工智能期末考试的最后一题，没听讲的我哪里知道什么是感知机，，然后就瞎写一通，老师可怜我才给了91辛苦分，如今，恰是搞懂它的时候。
权重和偏置：
w1和w2都是权重；b是偏置
请注意—— 权重和偏置的作用不一样。具体来说，w1和w2是控制输入信号重要性的参数，而偏置则是调整神经元被激活的容易程度的参数（若b=-0.1，则只需要输入信号的加权总和超过0.1，神经元就会被激活；但是如果b=-20.0，则输入信号的加权总和必须超过0.1，神经元才会被激活）
感知机的局限：
这是作为神经网络的起源算法，称为“人工神经元”或“朴素感知机”，接受多个信号，输出一个信号（只有1/0两种取值即“流/不流”）
或门：x1=0,x2=0才输出零，其他都输出1
如果用类似高中线性规划的知识很容易划分，就是——
圈表示0，三角表示1，这条直线正确地将圈和三角分开了。
但是
异或门：仅当x1和x2中地一方为1，才输出1，来看看怎么划分圈和三角
答案是——无法用直线将圈和三角划分这就是感知机的局限所在，它只能表示由一条直线分割的空间。
那么——穷则变！用曲线呗！
但是这样的曲线无法用感知机表示，让人深表遗憾，但是也无需悲观，感知机的绝妙之处在于“叠加层”，下面我们尝试用“叠加层”表示异或门。（上面严格来讲应该是单层感知机无法实现异或门/无法分离非线性空间）
插一句——我一定是疯了，看着深度学习复习着数电，话说，异或门怎么用基本逻辑门表示来着？咦？好像忘了~怪不好意思的
尝试用感知机表示异或门
有一丝丝小激动！真值表放这里，别整错了
来吧！上代码！
import numpy as np
def AND(x1,x2):#与门
x = np.array([x1,x2])
w = np.array([0.5,0.5])
b = -0.7
temp = np.sum(x*w)+b
if temp<=0:
return 0
elif temp>0:
return 1
def NAND(x1,x2):#与非门
x = np.array([x1,x2])
w = np.array([-0.5,-0.5])
b = 0.7
temp = np.sum(x*w)+b
if temp<=0:
return 0
elif temp>0:
return 1
def OR(x1,x2):
x = np.array([x1,x2])
w = np.array([0.5,0.5])
b = -0.2
temp = np.sum(x*w)+b
if temp<=0:
return 0
elif temp>0:
return 1
def XOR(x1,x2):
s1 = NAND(x1,x2)
s2 = OR(x1,x2)
y = AND(s1,s2)
return y
print(XOR(0,0),XOR(1,0),XOR(0,1),XOR(1,1))
用神经元表示，已经初现端倪了！
这里我暂时把它肤浅地理解为函数の嵌套。
前面的与门、或门、与非门都是单层感知机，异或门是我们接触的第一个多层感知机（其实也就2层啦！但是我觉得已经是迈出了不小的一步了）可以解释为“单层感知机无法表示的东西，增加一层就可以表示了。
实际上，感知机远不止步于此，它可以表示更加复杂的加法器、二转十编码器，呱呱呱呱呱呱呱呱呱，更让人惊讶的是，感知机居然能表示计算机！
正常人都会认为非常复杂，实际上，用与非门即可表示计算机，我们在前面的代码中给出了与非门的实现，所以——用组合感知机是可以表示计算机的！详见《计算机系统要素：从零开始构建现代计算机》，我觉得有空可以拜读一下，这大概就是不久之后要学的计组吧！
今天的内容是神经网络基础，加油！冲冲冲冲！明天继续！