? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? by SA16225335,吳倩? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

一 簡介

? ? ? 2016年科大網(wǎng)絡(luò)程序設(shè)計課程即將結(jié)束莉测，筆者在這里寫下人生的第一篇博客讶泰，來總結(jié)一下這門課程給我?guī)淼膯l(fā)和提升，并且作為人生的又一個起點開始生命的下一次征程庭猩。首先在這里要感謝孟寧老師的教導(dǎo)帅刊，孟寧老師在課程中一反常態(tài)纸泡，并沒有使用傳統(tǒng)的上課授課的方式，而是采用項目驅(qū)動的方法赖瞒，由學(xué)生在老師的帶動下主動開發(fā)女揭，在這門課程中，班里70多個學(xué)生共同完成了這個項目栏饮。作為一個菜鳥吧兔，我必須慚愧的承認(rèn)我對這個項目并沒有什么直接的貢獻(xiàn)，只在PPT知識共享時袍嬉，對Theano框架的知識進(jìn)行了共享境蔼≡钇剑“林花謝了春紅，太匆匆箍土，無奈朝來寒雨晚來風(fēng)”逢享，時光總是匆匆，在這門課中涮帘，我完整的學(xué)習(xí)了python語法拼苍，理解了關(guān)于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的原理，并且對CNN调缨，RNN，深度學(xué)習(xí)框架及圖像處理有了一定的了解吆你。在這個寒假弦叶，我將繼續(xù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的相關(guān)知識。堅持總會有結(jié)果妇多，明年我會繼續(xù)選修孟寧老師的高軟課程伤哺，定跟上老師步伐≌咦妫總之立莉，感謝老師讓我踏入新世界的大門。

二 什么是深度學(xué)習(xí)

? ? ? ?Andrew Ng曾經(jīng)說過“我們相信（神經(jīng)網(wǎng)絡(luò)代表的深度學(xué)習(xí)）是讓我們獲得最接近于人工智能的捷徑”七问。這就是我們要學(xué)習(xí)深度學(xué)習(xí)的重要的原因蜓耻。相對于網(wǎng)絡(luò)上一提到神經(jīng)網(wǎng)絡(luò)就會提到的反向傳播，激活函數(shù)械巡，特征基向量刹淌，卷積神經(jīng)網(wǎng)絡(luò)，筆者在這里想用自己淺薄的知識來談?wù)勛约簩ι窠?jīng)網(wǎng)絡(luò)的理解讥耗。

? ? ? 我在接觸神經(jīng)網(wǎng)絡(luò)之前有勾，曾看過一個關(guān)于對生物體大腦形象化的描述，人的大腦中有成千上億的神經(jīng)元細(xì)胞（甚至更多）古程，它們都長著像電線一樣的軸突蔼卡，神經(jīng)元在我們的大腦中構(gòu)成一個網(wǎng)狀結(jié)構(gòu)，當(dāng)人們對外部事件進(jìn)響應(yīng)時挣磨，神經(jīng)元細(xì)胞會產(chǎn)生興奮也就是化學(xué)信號順著神經(jīng)元的網(wǎng)狀結(jié)構(gòu)進(jìn)行傳播雇逞，最終產(chǎn)生人的各種反應(yīng)趋急。以上相應(yīng)凡有高中學(xué)歷的大家都了解整個過程喝峦，故而不進(jìn)行詳述呜达。而進(jìn)行深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)谣蠢，就是根據(jù)大腦的反饋機(jī)構(gòu)進(jìn)行設(shè)計的。最簡單的神經(jīng)網(wǎng)絡(luò)一般有三層，第一層是輸入層眉踱，第二層是隱藏層挤忙，第三層是輸出層，第一層輸入數(shù)據(jù)后谈喳，隱藏層根據(jù)自己神經(jīng)上的比重對輸入層數(shù)據(jù)進(jìn)行自己的處理册烈，最后在第三層輸出層進(jìn)行輸出。我們把神經(jīng)網(wǎng)絡(luò)假設(shè)為一個小孩婿禽，在他的成長過程中赏僧，他將不斷的接收到各種各樣的信息，而神經(jīng)網(wǎng)絡(luò)也是如此扭倾，我們不斷的用各種數(shù)據(jù)訓(xùn)練它淀零，是他在隱藏層的每個分支都有不同的權(quán)重，在訓(xùn)練過程中膛壹，權(quán)重不斷的變化驾中，當(dāng)訓(xùn)練集達(dá)到一個數(shù)量時，會得到一個相對穩(wěn)定的權(quán)重模聋，這就如同大腦中的電信號傳播一樣肩民，每個神經(jīng)元都帶著不同大小的神經(jīng)信號，最后形成人的各種反應(yīng)链方，而神經(jīng)網(wǎng)絡(luò)也是如此持痰。我們不斷的訓(xùn)練它，使它不斷的糾正自己侄柔，最后實現(xiàn)預(yù)測功能共啃。

三 關(guān)于Theano的學(xué)習(xí)

3.1 Theano定義

Theano是一個Python庫，專門用于定義暂题、優(yōu)化移剪、求值數(shù)學(xué)表達(dá)式，效率高薪者，適用于多維數(shù)組纵苛。Theano是一個Python庫，用于定義言津、優(yōu)化攻人、求值數(shù)學(xué)表達(dá)式，即簡單來說悬槽，它就是一個代數(shù)符號系統(tǒng)怀吻。在數(shù)學(xué)表達(dá)式中的一個符號就是一個variable對象，對象之間用加減乘除等操作符連接起來初婆，就變成一個圖蓬坡，成為graph.在將theano運用于神經(jīng)網(wǎng)絡(luò)時猿棉，就是將網(wǎng)絡(luò)表示成一個巨大的公式。比如z=x+y這樣的表達(dá)式屑咳，就會組成成下面的圖萨赁。

代碼編寫如下：

import theano

from theano import tensor

# declare two symbolic floating-point scalars

a = tensor.dscalar()

b = tensor.dscalar()

# create a simple expression

c = a + b

# convert the expression into a callable object that takes (a,b)

# values as input and computes a value for c

f = theano.function([a,b], c)

# bind 1.5 to 'a', 2.5 to 'b', and evaluate 'c'

assert 4.0 == f(1.5, 2.5)

3.2 使用Theano的優(yōu)勢

1.使研究深度學(xué)習(xí)的各位們減少花在推導(dǎo)數(shù)和實現(xiàn)算法上的精力。

2.? 緊密集成Numpy兆龙，在Theano的編譯函數(shù)中使用numpy.ndarray

3.透明的使用Gpu杖爽，使得執(zhí)行數(shù)據(jù)密集型的計算速度高達(dá)CPU的140倍

4.高效的符號分解---替你計算一個或多個輸入函數(shù)的推導(dǎo)

5.速度和穩(wěn)定性優(yōu)化

6.動態(tài)生成C語言代碼，計算表達(dá)式更快速

7.廣泛的單元測試和自我驗證紫皇，能檢測和診斷許多類型的錯誤

8.讓你輕松的編寫Deep Learning模型慰安，并提供運行在GPU上的選擇，他使得構(gòu)建學(xué)習(xí)模型更加容易

3.3 為什么使用Theano

1.深度學(xué)習(xí)最好使用一些庫坝橡，比如Theano泻帮。主要是因為反向傳播調(diào)整參數(shù)時，需要求導(dǎo)计寇。鏈?zhǔn)角髮?dǎo)本身沒有難處。

但是深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計的比較復(fù)雜脂倦，層數(shù)又多（15層不是夢）番宁。

在隱藏層多的神經(jīng)網(wǎng)絡(luò)中,推導(dǎo)公式不忍直視，人工求導(dǎo)顯然不是明智的赖阻。

Theano提供了grad梯度函數(shù)蝶押，自動根據(jù)表達(dá)式求一階導(dǎo)數(shù)，grad(cost,param)火欧，其中cost函數(shù)可以是一個超長超長的表達(dá)式棋电。

param則可以是一個超大超大的數(shù)組或是矩陣。

顯然苇侵，有了grad函數(shù)赶盔，我們可以專心設(shè)計正向傳播的I/O，反向傳播只要一個grad函數(shù)即可榆浓。省去了復(fù)雜的公式推導(dǎo)

2.使用Python組織邏輯于未，C編譯執(zhí)行，CUDA并行加速計算陡鹃，是非常好的實驗平臺烘浦。

它的庫源碼中包含大量注釋，并且提供深度學(xué)習(xí)的幾個基本模型的代碼實現(xiàn)文檔萍鲸。

每篇文檔都采用paper的形式闷叉，集中了許多大牛的論文的精華、各種小trick脊阴，也給出了論文的具體引用握侧，方便按圖索驥蚯瞧。

CUDA(Compute Unified Device Architecture)，顯卡廠商N(yùn)Vidia推出的運算平臺藕咏。 CUDA?是一種由NVIDIA推出的通用并行計算架構(gòu)状知，該架構(gòu)使GPU能夠解決復(fù)雜的計算問題。 它包含了CUDA指令集架構(gòu)(ISA)以及GPU內(nèi)部的并行計算引擎孽查。

3.4 原理介紹

在Theano中饥悴，每個可導(dǎo)運算都帶有一個grad函數(shù)，對應(yīng)于圖中每一步單獨的求導(dǎo)（邊）盲再。比如 theano.tensor.nnet.sigmoid :

def grad(self, inp, grads):

x, = inp

gz, = grads

y = scalar_sigmoid(x)

rval = gz * y * (1.0 - y)

assert rval.type.dtype.find('float') != -1

return [rval]

對所有可導(dǎo)運算使用鏈?zhǔn)椒▌t西设，即在圖中沿著邊和節(jié)點傳播，就求出了最后我們想要的導(dǎo)數(shù)答朋。整個過程大抵如此贷揽，細(xì)節(jié)部分可以翻看一下這篇博客。http://colah.github.io/posts/2015-08-Backprop/

3.5 原理介紹

Theano基于Python的面向?qū)ο竺瓮耄运纳窠?jīng)網(wǎng)絡(luò)也是基于面向?qū)ο蟮乃悸啡懙摹?br>

【對象】

它認(rèn)為禽绪，淺層網(wǎng)絡(luò)的中分類器，深度網(wǎng)絡(luò)中的每個層洪规，都是一個對象印屁。

在這個對象里，你被指定了輸入格式斩例，你只需要做兩件事：

根據(jù)格式雄人，定義參數(shù)、定義輸出念赶。

【數(shù)據(jù)讀入/處理】

從文件讀入數(shù)據(jù)础钠，并且對數(shù)據(jù)進(jìn)行全局分享處理(shared)

theano.tensor中封裝的著大量的惰性函數(shù)。這些惰性函數(shù)叉谜，在Python里是不會執(zhí)行的旗吁。需要在theano.function()里執(zhí)行。

【主過程：前向傳播構(gòu)建&反向傳播迭代】

創(chuàng)建各個神經(jīng)網(wǎng)絡(luò)層正罢、分類器的實例對象阵漏，由I/O首尾相連，最后利用分類器構(gòu)建cost函數(shù)翻具，完成前向傳播履怯。

利用各個層對象的參數(shù)、cost函數(shù)裆泳，構(gòu)建梯度表達(dá)式叹洲，以及updates列表。

為訓(xùn)練集工禾、驗證集运提、測試集創(chuàng)建以theano.function()為殼的模型蝗柔。

使用mini-batch梯度法分批訓(xùn)練訓(xùn)練集，測試驗

3.6 編程基礎(chǔ)

theano.tensor常用數(shù)據(jù)類型

學(xué)習(xí)theano民泵，首先要學(xué)的就是theano.tensor使用癣丧，其是基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)，功能類似于Python.numpy栈妆，教程網(wǎng)站為：http://deeplearning.Net/software/theano/library/tensor/basic.html

在theano.tensor數(shù)據(jù)類型中胁编，有double、int鳞尔、uchar嬉橙、float等各種類型，不過我們最常用到的是int和float類型寥假，float是因為GPU一般是float32類型市框，所以在編寫程序的時候，我們很少用到double糕韧，常用的數(shù)據(jù)類型如下：

數(shù)值：iscalar(int類型的變量)枫振、fscalar(float類型的變量)

一維向量：ivector(int 類型的向量)、fvector(float類型的向量)萤彩、

二維矩陣：fmatrix(float類型矩陣)蒋得、imatrix（int類型的矩陣）

三維float類型矩陣：ftensor3

四維float類型矩陣：ftensor4

其它類型只要把首字母變一下就可以了，更多類型請參考：http://deeplearning.net/software/theano/library/tensor/basic.html#theano.tensor.TensorV

3.7 編程實例

實例1：

import theano

x=theano.tensor.iscalar('x')#聲明一個int類型的變量x

y=theano.tensor.pow(x,3)#定義y=x^3

f=theano.function([x],y)#定義函數(shù)的自變量為x（輸入）乒疏，因變量為y（輸出）

print f(2)#計算當(dāng)x=2的時候，函數(shù)f(x)的值

print f(4)#計算當(dāng)x=4時饮焦，函數(shù)f(x)=x^3的值

實例2：

import theano

x =theano.tensor.fscalar('x')#定義一個float類型的變量x

y= 1 / (1 + theano.tensor.exp(-x))#定義變量y

f= theano.function([x],y)#定義函數(shù)f怕吴，輸入為x，輸出為y

print f(3)#計算當(dāng)x=3的時候县踢，y的值

例3：function使用示例

我們再看一個多個自變量转绷、同時又有多個因變量的函數(shù)定義例子：

import theano

x, y =theano.tensor.fscalars('x', 'y')

z1= x + y

z2=x*y

f =theano.function([x,y],[z1,z2])#定義x备蚓、y為自變量随闽，z1、z2為函數(shù)返回值（因變量）

print f(2,3)#返回當(dāng)x=2埋市，y=3的時候谴返，函數(shù)f的因變量z1煞肾，z2的值 為x，輸出為y

print f(3)#計算當(dāng)x=3的時候嗓袱，y的值

3.8 學(xué)習(xí)深度學(xué)習(xí)必須要學(xué)習(xí)的幾個函數(shù)

例1籍救、求偏導(dǎo)數(shù)

theano有個很好用的函數(shù)，就是求函數(shù)的偏導(dǎo)數(shù)theano.grad()渠抹，比如上面的S函數(shù)蝙昙，我們要求當(dāng)x=3的時候闪萄，s函數(shù)的導(dǎo)數(shù)，代碼如下：

import theano

x =theano.tensor.fscalar('x')#定義一個float類型的變量x

y= 1 / (1 + theano.tensor.exp(-x))#定義變量y

dx=theano.grad(y,x)#偏導(dǎo)數(shù)函數(shù)

f= theano.function([x],dx)#定義函數(shù)f奇颠，輸入為x败去，輸出為s函數(shù)的偏導(dǎo)數(shù)

print f(3)#計算當(dāng)x=3的時候，函數(shù)y的偏導(dǎo)數(shù)

例2烈拒、共享變量

共享變量是多線程編程中的一個名詞圆裕，故名思議就是各線程，公共擁有的變量缺菌，這個是為了多線程高效計算葫辐、訪問而使用的變量。因為深度學(xué)習(xí)中伴郁，我們整個計算過程基本上是多線程計算的耿战，于是就需要用到共享變量。在程序中焊傅，我們一般把神經(jīng)網(wǎng)絡(luò)的參數(shù)W剂陡、b等定義為共享變量，因為網(wǎng)絡(luò)的參數(shù)狐胎，基本上是每個線程都需要訪問的鸭栖。

import theano

import numpy

A=numpy.random.randn(3,4);#隨機(jī)生成一個矩陣

x = theano.shared(A)#從A，創(chuàng)建共享變量x

print x.get_value()

通過get_value()握巢、set_value()可以查看晕鹊、設(shè)置共享變量的數(shù)值

例3、共享變量參數(shù)更新

前面我們提到theano.function函數(shù)暴浦，有個非常重要的參數(shù)updates溅话，updates是一個包含兩個元素的列表或tuple，updates=[old_w,new_w]歌焦，當(dāng)函數(shù)被調(diào)用的時候飞几，這個會用new_w替換old_w,具體看一下下面例子：

import theano

w= theano.shared(1)#定義一個共享變量w，其初始值為1

x=theano.tensor.iscalar('x')

f=theano.function([x], w, updates=[[w, w+x]])#定義函數(shù)自變量為x独撇，因變量為w屑墨，當(dāng)函數(shù)執(zhí)行完畢后，更新參數(shù)w=w+x

print f(3)#函數(shù)輸出為w

print w.get_value()#這個時候可以看到w=w+x為4

這個主要用于梯度下降的時候纷铣，要用到卵史。比如updates=[w,w-α*(dT/dw)]，其中dT/dw就是我們梯度下降的時候关炼，損失函數(shù)對參數(shù)w的偏導(dǎo)數(shù)程腹，α是學(xué)習(xí)率。

3.9 應(yīng)用方向

邏輯回歸儒拂，三層神經(jīng)網(wǎng)絡(luò)寸潦，卷積神經(jīng)網(wǎng)絡(luò)等

四 ?項目簡介

4.1 項目地址

coding.net:https://coding.net/u/sharon12/p/np2016-1765866307/git/tree/master

4.2 項目概述

?4.2.1 項目功能

輸入血常規(guī)圖片色鸳，程序通過處理圖片上的數(shù)據(jù)，進(jìn)行性別和年齡的預(yù)測见转。（暫只能處理獨墅湖高教區(qū)的體檢單）

?4.2.2 具體流程

輸入圖片->圖片OCR識別->將識別出來的數(shù)值存入MongoDB->根據(jù)機(jī)器學(xué)習(xí)方法生成模型并進(jìn)行預(yù)測

?4.2.3 項目概要

該項目主要分為三個部分命雀。第一部分是web端圖片的導(dǎo)入和結(jié)果的顯示;第二部分是OCR識別模塊，用來進(jìn)行圖片的處理并將處理數(shù)據(jù)存儲進(jìn)mongodb;第三部分是學(xué)習(xí)預(yù)測模塊斩箫，用來進(jìn)行性別和年齡的預(yù)測吏砂。

4.3 運行環(huán)境

?安裝前置依賴

# 安裝 Python 發(fā)布版本，dev包必須安裝乘客，很多用pip安裝包都需要編譯

sudo apt-get install python2.7 python2.7-dev python3.2 python3.2-dev

# 很多pip安裝的包都需要libssl和libevent編譯環(huán)境

sudo apt-get install build-essential libssl-dev libevent-dev libjpeg-dev libxml2-dev libxslt-dev

安裝python模塊

PS: 裝python模塊時最好每一步進(jìn)入python命令行嘗試import是否成功

# 安裝pip

sudo apt-get install python-pip

# 安裝numpy,

sudo apt-get install python-numpy # http://www.numpy.org/

# 安裝opencv

sudo apt-get install python-opencv # http://opencv.org/

#裝完后需要更新環(huán)境變量

vim /etc/bash.bashrc

#在文件末尾添加兩行代碼

export PYTHONPATH=$PYTHONPATH:/usr/local/lib/python2.7/dist-packages

export PYTHONPATH="${PYTHONPATH+${PYTHONPATH}:}/usr/local/lib/python2.7/site-packages"

##安裝OCR和預(yù)處理相關(guān)依賴

sudo apt-get install tesseract-ocr

sudo pip install pytesseract

sudo apt-get install python-tk

sudo pip install pillow

# 安裝Flask框架狐血、mongo

sudo pip install Flask

sudo apt-get install mongodb # 如果找不到可以先sudo apt-get update

sudo service mongodb started

sudo pip install pymongo

如果import cv2報no module name cv2。需要從源碼編譯opencv安裝易核，教程地址如下：OPENCV2.4.9源碼安裝

安裝tensorflow

pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0rc0-cp27-none-linux_x86_64.whl

運行demo

cd? BloodTestReportOCR

python view.py # upload圖像,在瀏覽器打開http://yourip:8080

4.4 部分文件功能簡介

view.py

Web 端上傳圖片到服務(wù)器匈织，存入mongodb并獲取oid

imageFilter.py

對圖像透視裁剪和OCR進(jìn)行了簡單的封裝，以便于模塊間的交互牡直，規(guī)定適當(dāng)?shù)慕涌?/p>

imageFilter = ImageFilter() # 可以傳入一個opencv格式打開的圖片

num = 22

print imageFilter.ocr(num)

ocr函數(shù) - 模塊主函數(shù)返回識別數(shù)據(jù)

用于對img進(jìn)行ocr識別缀匕，他會先進(jìn)行剪切，之后進(jìn)一步做ocr識別碰逸，返回一個json對象 如果剪切失敗乡小，則返回None @num 規(guī)定剪切項目數(shù)

perspect函數(shù)做 - 初步的矯正圖片

用于透視image，他會緩存一個透視后的opencv numpy矩陣饵史，并返回該矩陣 透視失敗满钟，則會返回None，并打印不是報告 @param 透視參數(shù)

關(guān)于param

參數(shù)的形式為[p1, p2, p3 ,p4 ,p5]胳喷。 p1,p2,p3,p4,p5都是整型零远，其中p1必須是奇數(shù)。

p1是高斯模糊的參數(shù)厌蔽，p2和p3是canny邊緣檢測的高低閾值，p4和p5是和篩選有關(guān)的乘數(shù)摔癣。

如果化驗報告單放在桌子上時奴饮，有的邊緣會稍微翹起，產(chǎn)生比較明顯的陰影择浊，這種陰影有可能被識別出來戴卜，導(dǎo)致定位失敗。 解決的方法是調(diào)整p2和p3琢岩，來將陰影線篩選掉投剥。但是如果將p2和p3調(diào)的比較高，就會導(dǎo)致其他圖里的黑線也被篩選掉了担孔。 參數(shù)的選擇是一個問題江锨。 前列們在getinfo.default中設(shè)置的是一個較低的閾值吃警，p2=70,p3=30，這個閾值不會屏蔽陰影線啄育。 如果改為p2=70,p3=50則可以屏蔽酌心，但是會導(dǎo)致其他圖片識別困難。

就現(xiàn)在來看挑豌，得到較好結(jié)果的前提主要有三個

化驗單盡量平整

圖片中應(yīng)該包含全部的三條黑線

圖片盡量不要包含化驗單的邊緣安券，如果有的話，請盡量避開有陰影的邊緣氓英。

filter函數(shù) - 過濾掉不合格的或非報告圖片

返回img經(jīng)過透視過后的PIL格式的Image對象侯勉，如果緩存中有PerspectivImg則直接使用，沒有先進(jìn)行透視 過濾失敗則返回None @param filter參數(shù)

autocut函數(shù) - 將圖片中性別铝阐、年齡址貌、日期和各項目名稱數(shù)據(jù)分別剪切出來

用于剪切ImageFilter中的img成員，剪切之后臨時圖片保存在out_path饰迹， 如果剪切失敗芳誓，返回-1，成功返回0 @num 剪切項目數(shù) @param 剪切參數(shù)

剪切出來的圖片在BloodTestReportOCR/temp_pics/ 文件夾下

函數(shù)輸出為data0.jpg,data1.jpg……等一系列圖片啊鸭，分別是白細(xì)胞計數(shù)锹淌，中性粒細(xì)胞記數(shù)等的數(shù)值的圖片。

classifier.py

用于判定裁剪矯正后的報告和裁剪出檢測項目的編號

imgproc.py

將識別的圖像進(jìn)行處理二值化等操作赠制，提高識別率 包括對中文和數(shù)字的處理

digits

將該文件替換Tesseract-OCR\tessdata\configs中的digits

4.5 實驗結(jié)果

首先在終端輸入view.py,在后臺會展示index.html頁面赂摆，在頁面選擇文件上傳并點擊提交，后臺會調(diào)用imageFilter.py中的ocr,對圖像進(jìn)行灰度化钟些，裁剪和OCR識別烟号，并將圖片和識別出來的數(shù)據(jù)存入數(shù)據(jù)庫并在頁面進(jìn)行展示

然后點擊生成報告，這次程序中根據(jù)fid將數(shù)據(jù)從mongodb數(shù)據(jù)庫中讀出數(shù)據(jù)政恍，并在頁面上進(jìn)行展示汪拥，讀取不準(zhǔn)確的地方可以修改。

最后篙耗，我們調(diào)用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)迫筑，將數(shù)據(jù)輸入進(jìn)去進(jìn)行預(yù)測，以下是預(yù)測結(jié)果宗弯。

由于筆者并沒有直接參與實驗代碼的編寫脯燃，故這里只敘述了關(guān)于整個實驗的主要文件的用途和運行的詳細(xì)過程，并對自己分享的Theano框架進(jìn)行了詳細(xì)的介紹蒙保。若想要了解更多關(guān)于本次實驗更細(xì)致的事情辕棚，請參考以下鏈接：

1.http://blog.csdn.net/u014659656/article/details/53887507#課程心得體會

2.http://rp38.cn/2016/12/25/np2016/

在那里，你會得到關(guān)于更多實驗詳盡的描述。

五 個人心得

? ? ? 自從來到科大后逝嚎，才感覺到大神林立扁瓢，然而自己對時間的利用卻并不充分。這門課中懈糯，也是僅僅能夠跟上項目更新的步伐涤妒。在接下來的日子里，會繼續(xù)對不足的知識點進(jìn)行學(xué)習(xí)赚哗，更加深入的理解神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的知識她紫，做更多關(guān)于這一方面的研究。

六 學(xué)習(xí)鏈接

1.深度學(xué)習(xí)（圖像分類模型）

2.theano文檔