使用PyhonFluxJulia实现手写数字识别的神经网络入门教程

　　使用 MNIST 数据集对 0 到 9 之间的数字进行手写数字识别是神经网络的一个典型入门教程。该技术在现实场景中是很有用的，比如可以把该技术用来扫描银行转帐单或支票，其中帐号和需要转账的金额可以被识别处理并写在明确定义的方框中。

　　在本教程中，我们将介绍如何使用 Julia 编程语言和名为 Flux 的机器学习库来实现这一技术。为什么使用 Flux 和 Julia？本教程为什么想使用 Flux（https://fluxml．ai/） 和 Julia（https://julialang．org/） ，而不是像 Torch、PyTorch、Keras 或 TensorFlow 2．0 这样的知名框架呢？一个很好的原因是因为 Flux 更易于学习，而且它提供更好的性能和拥有有更大的潜力，另外一个原因是，Flux 在仍然是一个小库的情况下实现了很多功能。Flux 库非常小，因为它所做的大部分工作都是由 Julia 编程语言本身提供的。例如，如果你查看 Gorgonia ML 库（https://github．com/gorgonia/gorgonia） 中的 Go 编程语言，你将看到，它明确地展示了其他机器学习库如何构建一个需要执行和区分的表达式图。在 Flux 中，这个图就是 Julia 本身。Julia 与 LISP 非常相似，因为 Julia 代码可以很容易地表示为数据结构，可以对其进行修改和计算。机器学习概论如果你是机器学习的新手，你可以跟着本教程来学习，但并不是所有的东西对你来说都是有价值的。你也可以看看我以前关于 Medium 的一些文章，它们可能会解释你一些新手的疑惑： 线性代数的核心思想。（https://medium．com/@Jernfrost/the-core-idea-of-linear-algebra-7405863d8c1d）线性代数基本上是关于向量和矩阵的，这是你在机器学习中经常用到的东西。使用引用。（https://medium．com/@Jernfrost/working-with-andemulating-references-in-julia-e02c1cae5826）它看起来有点不太好理解，但是如果你想理解像 Flux 这样的 ML 库，那么理解 Julia 中的引用是很重要的。Flux 的实现。（https://medium．com/@Jernfrost/implementation-of-a-modern-machine-learninglibrary-3596badf3be）如何实现 Flux-ML 库的初学者指南。机器学习简介。（https://medium．com/@Jernfrost/machinelearning-for-dummies-in-julia-6cd4d2e71a46） 机器学习概论。简单多层感知机我们要编程的人工神经网络被称为简单的多层感知机，这是神经网络（ANN）的基础，大多数教科书都会从它开始。我先展示整个程序，然后我们再更详细地讲解不同的部分。