目录感知机（神经元）一个感知机：两个感知机：三个感知机：神经网络例（神经网络）感知机（神经元）感知机是集语音、文字、手语、人脸、表情、唇读、头势、体势等多通道为一体的,并对这些通道的信息进行编码、压缩、集成、融合的计算机智能接系统。一个感知机：可以发现处理效果不咋样，只能处理一部分数据。两个感知机：处理效果比刚才好了很多。三个感知机：可以发现处理效果已经很不错了，比刚才好了很多。一个感知机解决不了

深度学习能够学习到，什么特征是最合适的。深度学习解决的核心问题：如何提取特征。特征提取：

计算机视觉是人工智能领域最热门的研究领域之一，并且是近几年发展最快的人工智能领域之一。CV(Computer Vision)领域的快速发展主要得益于卷积神经网络的使用。计算机视觉介绍1、计算机视觉应用人脸识别图像检索（搜索引擎图片搜索）监控光学字符识别OCR（证件识别，车牌识别，文档识别，银行卡识别，名片识别，身份证识别等）自动驾驶（检测交通标志、路上的行人和车辆等）2、计算机视觉技术图像分类..

目录一、拟合线性函数1、生成随机坐标2、神经网络拟合代码二、拟合非线性函数1、生成二次随机点2、神经网络拟合代码一、拟合线性函数学习率0.03，训练1000次：学习率0.05，训练1000次：学习率0.1，训练1000次：可以发现，学习率为0.05时的训练效果是最好的。1、生成随机坐标1、生成x坐标2、生成随机干扰3、计算得到y坐标4、画点# 生成随机点def Produce_Random_D..

拟合1、拟合情况拟合分为三种情况：欠拟合、正确拟合、过拟合。训练集中：训练集中，过拟合的效果最好。测试集中：不难看出，测试集中是正确拟合的效果最好。总结：过拟合虽然在训练集中的效果非常好，但是一旦到了测试集，效果就不如正确拟合好。模型复杂度在深度学习中主要指的是网络的层数以及每层网络神经元的各种，网络的层数越多越复杂，神经元的个数越多越复杂。训练集的误差是随着模型复杂度的提升而不断降低的...

一、概念与定义BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播：把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从输出层传出。反向传播：对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。周而

目录基础理论一、训练CNN卷积神经网络1、载入数据2、改变数据维度3、归一化4、独热编码5、搭建CNN卷积神经网络5-1、第一层：第一个卷积层5-2、第二层：第二个卷积层5-3、扁平化5-4、第三层：第一个全连接层5-5、第四层：第二个全连接层（输出层）6、编译7、训练8、保存模型代码二、识别自己的手写数字（图像）1、载入数据2、载入训练好的模型3、载入自己写的数字图片并设置大小4、转灰度图5、转

目录哈夫曼编码（最优二叉树）优势：缩短电文长度思想：过程：图解实现过程：总代码哈夫曼编码（最优二叉树）一、优势：缩短电文长度二、思想：获取每个字符出现的频率，用一个大小为[256]的数组保存（因为ASCII码是256个），最后作为每个字符的权重。权重越大，意味着出现频率越大，希望它的码长越短，这样总体电文最小。最后把这些字符（不重复部分）、权重依次放入结点中，把这些结点作为一个个元素，从小到大依次

目录基础理论一、生成验证码数据集1、生成验证码训练集1-0、判断文件夹是否为空1-1、创建字符集（数字、大小写英文字母）1-2、随机生成验证码（1000个，长度为4）2、生成验证码测试集代码二、获取数据（训练集、测试集）1、获取数据和标签1-1、获取训练集数据和标签（路径和标签）1-2、获取测试集数据和标签（路径和标签）1-3、数据组合（图像路径和标签）2、打乱数据3、处理每条数据4、自定义重复周

由于是二分类，所以最后会用到sigmoid激活函数。一、准备数据# 1、准备数据from tensorflow.keras.preprocessing.image import ImageDataGenerator1、创建两个数据生成器# 1-1、创建两个数据生成器train_data_gen = ImageDataGenerator(rescale=1/255)test_data_gen = I