博主老學童第一個博文不顯示，我幫助他轉發，不知是否能成功
一. 簡介 隨着 ChatGPT 3.5 的出現，人工智能 (AI)，特別是人工神經網絡 (ANN) 已經融入我們的日常生活和工作。毫無疑問，ChatGPT 將給人們帶來更富有挑戰的機遇。因此適當了解ANN 是有必要的。我本身有常識水平的神經科學背景，總覺得我們不僅應該知道 ANN 能做什麼，而且應該知道 ANN 是如何工作的。 根據我以往的經驗，科學中的一些基本原理藏在細節中，這突出了實戰學習的重要性。然而，實戰學習很容易卡在某一個細節上。我發現使用 Google 的 Colab 很容易克服這一問題。 正是基於上述想法，我計劃系統地了解 ANN 的工作原理，並把我的學習心得整理成一系列的文檔和視頻分享給大家。該系列從簡到繁，每一步都是可操作的。如果您也感興趣，不妨可以跟我一起學。 最重要的一點是，希望大家多提意見！ 1. 總體學習目標： 了解ANN 背後的基本原理。 使用 TensorFlow/Keras 構建和訓練神經網絡。 通過理解 ANN 加深對生物大腦的理解 通過學習健腦。我有3個grand kids, 活到老，學到老！ 我將用我的經驗證明，外行也可以理解人工智能。 2. 前提知識和工具： 您不需要很強的數學背景，也不需要很強的編程技能，更不需要豐富的生物學知識。但您需要好奇心，高中數學和一台有互聯網連接的電腦。 TensorFlow/Keras 對用戶隱藏了很多底層數學，這對我們外行來說無疑是個好消息。當然，對線性代數、微積分和概率的基本了解對於理解深度學習中的一些關鍵概念非常有幫助。 3. 我的學習策略： 通過實踐理解原理。如果遇到難題，向 ChatGPT 請教 (Google 搜索還是必要的)。 二. 今天學習內容： 1. 初步處理數據集 2. 構造簡單的神經網絡模型 3. 模型訓練 4. 模型評估 三. 預熱： 1. MNIST數據集: 70,000 張手寫數字圖像 (digits 0 ~ 9)， 每個圖片大小為28 x 28 灰度像素 (0 – 255)，有相應的標籤 數據集已經分為訓練集 (60000) 和測試集(10000)：測試集非必須 目標：建立並訓練一個神經網絡，使其能夠識別手寫數字。
從數據集來看，我們似乎需要一個像上邊第二個圖所示的神經網絡：這要求輸出單元有 10 個狀態 (0, 1, . . ., 9). 然而，多重分類通常使用獨熱編碼 (one-hot encoding) 作為輸出，如下圖所示。
2. Google Colaboratory (Colab) Colab 允許通過瀏覽器創建筆記本，用以編寫和執行 Python 代碼，特別適合機器學習和數據分析。 使用 Colab 需要一個Google 賬號。如果您使用 Gmail，則您已經擁有一個 Google 帳號 創建Colab筆記本： 方法一：訪問https://colab.research.google.com/ 方法二：訪問 你的Google Drive 四. 實戰 我把這部分的內容分解成三個視頻，避免視頻實踐太長。此外，我還作了一個小視頻，專門講解 Colab 筆記本的創建。 視頻地址： 筆記-1A 簡介: https://www.youtube.com/watch?v=FluLSSlopDc 筆記-1B 實踐: https://www.youtube.com/watch?v=61dJeD8owsg 筆記-1C 實踐: https://www.youtube.com/watch?v=etlcz20dXoI Colab 筆記本的創建: https://www.youtube.com/watch?v=rRsoB5l4Fdw 今天的代碼： 
|
