REST通常基于使用HTTP，URI，和XML（标准通用标记语言下的一个子集）以及HTML（标准通用标记语言下的一个应用）这些现有的广泛流行的协议和标准。（标准通用标记语言下的一个子集）标准来描述、发布、发现、协调和配置这些应用程序，用于开发分布式的互操作的应用程序。POST 请求的内容全部的都在请求体中， node.js 默认是不会解析请求体的，当你需要的时候，需要手动来做。Web servic

为此，可以把的形状改为100 x 784，将100张图像打包作为输人数据。，要注意的是这里给定了axis =1，也意味着在100 x 10的数组中，沿着第1维方向（以第1维为轴）找到值最大的元素的索引（用图表示，可以发现，多维数组的对应维度的元素个数确实是一致的。此外，还可以确认最终的结果是输出元素个数为10的一维数组。：将训练数据划分成多个批次时，应该保证每个批次的样本分布相似，避免训练出现偏差

MNIST是机器学习最有名的数据集之一，被应用于从简单的实验到发表的论文研究等各种场合，在阅读图像识别或机器学习的论文时，MNIST数据集经常作为实验用的数据出现。预处理在神经网络(深度学习)中非常实用，实际上，很多预处理都会考虑到数据的整体分布，比如，利用数据整体的均值或标准差，移动数据，使数据整体以0为中心分布。在实现对手写数字图像的分类，可以先假设学习已经全部结束，我们使用学习到的参数，先实

以指定数量（10）各一组切分数组，组成一个数组，这个数组包含由最多指定数量（10）个数据的数组（数组集合）例如指定数量是10，原数组时[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]切分后组成新数组，[[1,2,3,4,5,6,7,8,9,10],[11,12,13,14,15]]slice() 方法从已有的数组中返回选定的元素。原数组不改变返回新选定的元素组成的新数组。

介绍下处理深度学习的框架DeZero，通过这个框架来了解自动微分是如何实现的指的是自动求出导数的做法(技术)。“自动求出导数”是指(而非人)求出导数。具体来说，它是指在对某个计算(函数)编码后计算机会自动求出该计算的导数的系统。自动微分。这是一种采用链式法则求导的方法。我们对某个函数编码后，可以通过自动微分高效地求出高精度的导数。反向传播也是自动微分的一种。反向传播相当于反向模式的自动微分。自动微

例如我们根据一个地区的若干年的PM2.5数值变化来估计某一天该地区的PM2.5值大小，预测值与当天实际数值大小越接近，回归分析算法的可信度越高。隐藏层的加权和(加权信号和偏置的总和)用a表示，被激活函数转换后的信号用z表示。此外，图中h()表示激活函数，这里我们使用的是sigmoid函数。如果使用矩阵的乘法运算，则可以将第1层的加权和表示成下面的式子。权重右下角按照“后一层的索引号、前一层的索引号

比如，对于10000笔训练数据，用大小为100笔数据的mini-batch进行学习时，重复随机梯度下降法100次有的训练数据就都被“看过”了。，因此，要评价神经网络的泛化能力，就必须使用不包含在训练数据中的数据。神经网络的学习的实现使用的是前面介绍过的mini-batch学习。深度学习的很多框架中，随机梯度下降法一般由一个名为。神经网络的学习中，必须确认是否能够正确识别训练数据以外的其他数据，即确

因此，神经网络的正向传播只需按照添加元素的顺序调用各层的forward()方法就可以完成处理，而反向传播只需要按相反的顺序调用各层即可。受到数值精度的限制，刚才的误差一般不会为0，但是如果实现正确的话，可以期待这个误差是一个接近0的很小的值。数值微分的计算很耗费时间，而且如果有误差反向传播法的话，就没有必要使用数值微分的实现了。之后，通过各个层内部实现的正向传播和反向传播，就可以正确计算进行识别处

比如，(10, 3, 5, 5) 形状的数组的元素个数共有 750 个，指定 reshape(10,-1)后，就会转换成 (10, 75) 形状的数组。卷积运算的滤波器处理的细节：将滤波器纵向展开为 1 列，并计算和 im2col 展开的数据的矩阵乘积，最后转换（reshape）为输出数据的大小。像这样，CNN 中处理的是 4 维数据，因此卷积运算的实现看上去会很复杂，但是通过使用下面要介绍的 i

如图所示，Softmax 层将输入 正规化，Cross Entropy Error 层接收 Softmax 的输出 和教师标签 ( t。这里要特别注意矩阵的形状，因为矩阵的乘积运算要求对应维度的元素数保持一致，通过确认一致性。)正是 Softmax层的输与监督标签的差，直截了当地表示了当前神经网络的输出与监督标签的。神经网络的反向传播会把这个差分表示的误差传递给前面的层，这是神经网络学习中的重要性