用户名和密码验证界面Go语言作为后端语言常用的应用，最简单的就是做一个后端的用户名和密码验证了，这相当于后端的hello world，所以做一个简单的json验证的后端界面吧要求这是路径↓，post是用post方法来发送数据[POST]/login用户发送{"username": "admin","password": "123456","token": "TOKEN"}如果TOKEN不对，返回j

了解完神经网络的基本结构之后，就应该来看看信息是如何在神经网络中传递的。以简单的三层神经网络为例在这个简单的神经网络中，隐藏层只有一层。先看输入层与隐藏层，不妨假设输入层有nnn个结点，隐藏层有mmm个结点，这样结点之间就有n×mn\times mn×m条边了。利用图论中的邻接矩阵，将所有的边权记录下来。用wi,jw_{i,j}wi,j​表示从输入层的第iii号结点，到隐藏层的第jjj号结点的边权

在了解了信息是如何在神经网络中的传递，并知道了如何设计输出层之后，那么神经网络的询问操作就已经基本上学习完了。但是，训练该如何进行呢？神经网络训练的基本思路单个数据独立训练具体步骤：1.将训练的数据输入神经网络，并得到一个输出的结果。2.将正确的结果与当前输出结果作比较，计算出误差。3.对这个误差进行学习。其实第一步就是神经网络的询问操作，而第二步在输出层的设计中也有所提及。当输出层的损失函数与激

在了解了什么是神经网络之后，我们就要来探讨神经网络的基本结构是什么了。基本的三层结构：输入层，隐藏层，输出层输入层顾名思义，就是信号输入的地方，这一层的节点上需要有足够的数量，来满足描述输入特征的需求。举个例子来说，如果需要识别一张像素为256×256256\times 256256×256的照片，那么输入层就需要用256×256256\times 256256×256个结点，每个结点描述对应的一

卷积神经网络中，最重要的就是卷积层，它负责从图片中提取特征信息。

通过优美的矩阵乘法，我们成功将信息从输入层传递到输出层，那么现在就应该要考虑如何从输出层或许我们想要的信息。两大类问题在运用神经网络所解决的问题中，一般可以大致分为两类：一类是分类问题，另一类是预测问题。由于这两类问题的性质不同，输出层的设计也有所不同。分类问题这是个非常常见的问题，即通过神经网络来判读一个物品是属于什么。举个最简单的例子，手机上的手写输入法就是一个分类问题，根据你手写的字来判断它

卷积神经网络（Convolutional Neural Networks, CNN）

通过重置门与更新门，GRU神经网络能够更好地记录历史信息。

引入我们知道单层的感知机存在着局限性，比如说无法表示异或门（详细请看神经网络的基础——朴素的感知机）。而多层感知机就可以解决这个问题。先来考虑一下如何利用AND，OR，NAND来表示出XOR。可以发现(x1NANDx2)AND(x1ORx2)=x1XORx2(x_1 NAND x_2)AND(x_1 OR x_2)=x_1XORx_2(x1​NANDx2​)AND(x1​ORx2​)=x1​XOR

概念E-R图也称实体-联系图(Entity Relationship Diagram)，提供了表示实体类型、属性和联系的方法，用来描述现实世界的概念模型。它是描述现实世界关系概念模型的有效方法。是表示概念关系模型的一种方式。三要素实体、属性、关系成为E-R图的三要素。实体实体就是数据模型中的数据对象，比如说：商品，商店。而每一个具体的商品就是实体成员，或者叫实体实例，这些都不能出现在E-R图中。实