刷代码：LeetCode，github,kaggle， learning python hard way, 书，微信
python基础（hard way→python算法书（算法导论-难，看不懂再看算法第四版-易）→leetcode）→numpy, pandas（官方10 minutes to pandas）, matplotlib等库，有书→机器学习基础算法（GitHub手写机器学习算法，siraj线性回归的视频），原理和代码→项目，paper
github:tensorflow example
课前环境准备：见论坛收藏的帖子（还需要将cudnn解压出的cuda/bin路径（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\cudnn-8.0-windows10-x64-v5.1\cuda\bin）加入系统path）
tflearn课程中（env-tflearn），安装TensorFlow报错：ImportError: No module named 'setuptools.wheel'
解决：conda install -c https://conda.anaconda.org/anaconda setuptools，然后再装TensorFlow
numpy基础
叉乘:符号为*，元素级乘法，每个对应位置的元素相乘
矩阵点积：符号为.，np.matmul(a, b)），np.dot(a, b)或a.dot(b)(如果a， b是二维的，返回一个值不改变a)
矩阵转置:
b = a.T，修改b中的数据，则原始举证a中对应转置的位置的数据也会改变，因为它们共享相同的数据副本，将转置视为矩阵的不同视图，而不是完全不同的矩阵。（这个原理也适用于b = a.reshape()）
神经网络
简易神经网络
感知器perceptron
权重weight
激活函数，最简单的激活函数（单位阶跃函数）
偏置项bias
感知器公式
常用的激活函数：单位阶跃函数，sigmoid，tanh，softmax
梯度下降
梯度是变化率或者斜率的另一个称呼，是对多变量函数导数的泛化
梯度下降数学推导
反向传播例子
实现反向传播
修正线性单元（ReLU），隐藏层
f(x) = max(x, 0)
softmax
输出经过压缩，输出和为1
softmax可用于任何数量的分类，是神经网络预测多分类问题的最佳输出激活函数
交叉熵cross entropy
tensorflow:
with tf.Session() as sess:
tf.constant()
# 得到输入
x = tf.placeholder(tf.string)
with tf.Session() as sess:
output = sess.run(x, feed_dict={x: 'hello, world'})
tf.Variable() # 可变tensor
tf.global_variables_initializer() # 初始化所有可变tensor
# 数学运算，数据必须是同一类型
tf.add(a, b)
tf.subtract(a, b)
tf.multiply(a, b)
tf.divide(a, b)
tf.cast(tf.constant(2.0), tf.int32) # 强制转换数据类型为int32
tf.truncated_normal((n, m)) # 从正态分布中生成随机数
tf.zeros()
tf.matmul(a, b) # 矩阵相乘
tf.nn.softmax() # 计算softmax
tf.nn.relu()
# One-Hot Encoding
import numpy as np
from sklearn import preprocessing
labels = np.array(['a', 'f', 'd'])
# create the encoder
lb = preprocessing.LabelBinarizer()
lb.fit(labels)
lb.transform(labels)
tf.reduce_sum() # 返回序列的和
tf.log() # 返回输入值的自然对数
tf.nn.dropout(layer, keep_prob) # 训练时keep_prob设为0.5，验证和测试时设为1
conv_layer = tf.nn.conv2d(input, weight, strides=[1, 2, 2, 1], padding='SAME')
conv_layer = tf.nn.bias_add(conv_layer, bias) # 对矩阵的最后一维加了偏置项
#weights 作为滤波器，[1, 2, 2, 1] 作为 strides。TensorFlow 对每一个 input 维度使用一个单独的 stride 参数，[batch, input_height, input_width, input_channels]。我们通常把 batch 和 input_channels （strides 序列中的第一个第四个）的 stride 设为 1。
conv_layer = tf.nn.max_pool(conv_layer, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# tf.nn.max_pool() 函数实现最大池化时， `ksize`参数是滤波器大小`strides`参数是步长。2x2 的滤波器配合 2x2 的步长是常用设定。
#`ksize` 和 `strides` 参数也被构建为四个元素的列表，每个元素对应 input tensor 的一个维度 (`[batch, height, width, channels]`)，对 `ksize` 和 `strides` 来说，batch 和 channel 通常都设置成 `1`。
learning_rate 不宜太高，如果准确率太低，首先尝试调低学习率
超参数，ADAGRAD
batch_size一般取32，64,128，256等
