1. 环境安装
学习深度学习，开发语言是Python。Python开发工具有很多。其中 anaconda + vscode的Python开发环境很好用，建议使用这个组合。
编写手写数字识别测试代码，需要在使用Anaconda安装以下4个库：
- Numpy
- Scipy
- matplotlib
- scikit-learn
2. 手写数字识别
我觉得不管看不看得懂理论，至少要把代码敲一遍。
手写数字识别是最经典和入门的深度学习编程案例，一定要自己亲自敲一遍，每一行都要弄懂在做什么。
下面是贴上我写的代码和注释。
import numpy as np
from sklearn.datasets import load_digits
from sklearn.neural_network import MLPClassifier
# 加载数据集
d = load_digits()
digits = d["data"]
labels = d["target"]
N = 200
# 打乱数据集的顺序
sorted_idxes = np.argsort(np.random.random(len(labels)))
# 取出前N个作为测试数据
test_key, test_value = digits[sorted_idxes[:N]], labels[sorted_idxes[:N]]
# 后面的数据作为训练数据
train_key, train_value = digits[sorted_idxes[N:]], labels[sorted_idxes[N:]]
# 分类，也就是神经网络训练
clf = MLPClassifier(hidden_layer_sizes=(128,))
clf.fit(test_key, test_value)
# 模型评估
score = clf.score(test_key, test_value) # 计算测试集准确率，这个函数会调用predict获取预测结果，再和答案做比较，计算出得分。
# 预测
predict_value = clf.predict(test_key) # 生成预测结果，这一步其实上一步已经做过了，这里是为了计算偏差才重新算一次
# 计算偏差
err = np.where(test_value != predict_value)[0]
# 打印结果
print("socre:", score)
print("errors:", err)
print(" actual:", test_value[err])
print(" predicted:", predict_value[err])
3. 总结
通过第一个深度学习案例，能够总体掌握代码结构和流程。理论虽然还差很多，但是大体上能够对深度学习有大概的印象。深度学习大体上做的事情，就是从已有数据中发现规律，利用这个规律，再对新的输入数据进行响应，由经验数据预测/计算出新的结果。当已有数据非常非常多的时候，预测/计算的准确率理论上来说应该会越来越高，但是能够达到100%？我觉得只能是逼近100%，做不到100%。