-
空标题文档
7.1 为什么要取名 程序设计中，名字的发明至少在 50 年前。给变量和函数取了合适的名字后，程序的可读性显著提高。由于大部分语言都在使用名字，现在看来，取名似乎是理所当然的事了。 那么名字是缘何发明的呢？为解答这个问题，我们反过来想一下。在名字发明以前，程序员是如何指示现在那些用名字指示的内容的呢？ 答案是使用编号 1。计算机记录数据的存储位置可以... -
空标题文档
9.5 注释风格 现在你已经知道了如何加注释。但是应该向注释里放什么内容呢？因为它们并不影响程序如何运行，我们说注释只是一个“风格”问题。这说明，可以在注释中放你想放的任何东西（也可以根本不使用注释）。不过这并不表示注释不重要。大多数程序员都是费了一番周折才领悟到这一点。他们回头看几年前、几个月前或者是几个星期前，甚至只是昨天才写的程序时，可能完全看不明... -
空标题文档
16.4 单个像素 有时我们并不想画一个圆或矩形，而是希望画单个的点或像素。比如，我们要创建数学程序，想画一条正弦曲线。 别担心，放松点！ 如果你不知道什么是正弦曲线也不用担心。学习本章的内容，只要知道这是一种波浪形的曲线就可以了。 另外也不用担心后面几个示例程序中的数学公式，按代码清单原样键入这些程序就行。这些公式只是为了保证得到大小合适... -
空标题文档
第 17 章 测试题 矩形碰撞检测是指使用对象的一个外围矩形来检测两个图形对象是否接触或重叠。 像素完美碰撞检测是指使用图形对象的实际轮廓来完成碰撞检测。矩形碰撞检测使用对象的外围矩形来确定碰撞。像素完美碰撞检测更准确更真实，不过也需要写更多代码，另外还会让程序速度减慢。 可以使用常规的 Python 列表或 Pygame 动画精灵组来跟踪多... -
表述规则
表述规则 表述规则 本书在表述上采用如下规则。 粗体字（Bold） 用来表示新引入的术语、强调的要点以及关键短语。 等宽字 （Constant Width ） 用来表示下面这些信息：程序代码、命令、序列、组成元素、语句选项、分支、变量、属性、键值、函数、类型、类、命名空间、方法、模块、属性、参数、值、对象、事件、事件处理器、XML 标签、HT... -
3.6 手写数字识别
3.6 手写数字识别 3.6.1 MNIST 数据集 3.6.2 神经网络的推理处理 3.6.3 批处理 3.6 手写数字识别 介绍完神经网络的结构之后，现在我们来试着解决实际问题。这里我们来进行手写数字图像的分类。假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播 （forward p... -
4.3 数值微分
4.3 数值微分 4.3.1 导数 4.3.2 数值微分的例子 4.3.3 偏导数 4.3 数值微分 梯度法使用梯度的信息决定前进的方向。本节将介绍梯度是什么、有什么性质等内容。在这之前，我们先来介绍一下导数。 4.3.1 导数 假如你是全程马拉松选手，在开始的 10 分钟内跑了 2 千米。如果要计算此时的奔跑速度，则为 2/10 = 0.2... -
5.6 Affine/Softmax 层的实现
5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 5.6.2 批版本的 Affine 层 5.6.3 Softmax-with-Loss 层 5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 神经网络的正向传播中，为了计算加权信号的总和，使用了矩阵的乘积运算（NumPy 中是 np.dot... -
读入数据
5.7.3 误差反向传播法的梯度确认 5.7.4 使用误差反向传播法的学习 参数 X 是图像数据、t 是正确解标签 accuracy(self, x, t) 计算识别精度 numerical_gradient(self, x, t) 通过数值微分计算关于权重参数的梯度（同上一章） gradi... -
6.4 正则化
6.4 正则化 6.4.1 过拟合 6.4.2 权值衰减 6.4.3 Dropout 6.4 正则化 机器学习的问题中，过拟合 是一个很常见的问题。过拟合指的是只能拟合训练数据，但不能很好地拟合不包含在训练数据中的其他数据的状态。机器学习的目标是提高泛化能力，即便是没有包含在训练数据里的未观测数据，也希望模型可以进行正确的识别。我们可以制作复杂的...