October.9/0.1

困，非常的困，大部分时间都是八点到九点起床，偶尔一两次七点多起床就是这么难受，搞不懂以前是怎么早起的，同样搞不懂的还有Python，看了几节keras的课程，keras非常简单，简单是说明手册简单，跟着keras手册走，你也能做出简单的例子，然后拿例子稍作调整，就可以运用于某些场景，而且还有不错的结果。

October.9/0.2

事实上，这一周我花了一半的时间看机器教学的视频，没怎么遇到过怎样子的问题，因为网上铺天盖地的入门例子，而我需要花一部分时间学习Python，这种if后面没有括号，靠缩减确定语句块的语言并没有显得那么难受，Python之后就是numpy，忍住喝了大量白开水的感觉又是啃了一段时间，之后敲代码，几个keras识别手写数字的例子，非常神奇的是可以加载图形库，显示出各种表格图标，当然现在我还没发从这些图表中获取任何信息。

October.9/0.3

比起学语法，我花了很长一段时间，去理解numpy.array，各种变量的形状，🤔那种感觉就是和读高数数一样，非常抽象，如果用其他语言实现的话，肯定各种for嵌套，在Python里面只是一行代码，但是现在用的还不是很顺手。

October.10/0.4

我做的一个demo是识别验证码，之前尝试过切割，遇到字符粘贴在一起，并不能很好的切割，那时候我问过我一个朋友，我记得他说过，用水滴，或者直接喂给卷积神经网络，那时候并不懂，当然代码我肯定不知道怎么写，直接各种博客各种爬代码，显然Python这方面对新手太友好了。900+个训练样本，100+个测试样本，正确率在0.7多，4个字母的话，那么识别一个验证码完全正确的概率在三分之一到四分之一，人品差点的话，系统识别十几个都不会过，要么在手动打码几千个，那不得累死了。什么都好就是采集太累了，后面查询了一下，验证码上面的字母只做旋转，不做平移，于是按照文章给的坐标，直接切割，训练样本一下子乘四，单个字母识别成功率能达到98%，这过程包括添加了一个手动的去噪算法，模型已经可以使用，偶尔错误在识别一次就好。

October.18/0.1

全连接神经网络 输出个数就是当前曾神经元的数量,因此后一层带来误差的数量也是当前层神经元的数量,每个神经元对于前一层每一个神经元产生一个误差,再把所有神经元的误差重叠在一起 就是当前层对于前的影响或者称之为误差.

October.19/0.1

这周我用golang编写了一个自动求导的类库，里面运用了大量的递归，数学理论到代码的实现是非常难的过程，期间你并不知道代码是否正确，即使正常运行，也不能完全确定在某个地方存在bug，实现然后优化化简，尽可能的优化到最简式，因为任何意义的计算，在训练的时候都会被重复非常多次，然后我又发现，最简单的全连接神经网络里面，简单的求导手写的方式是最有效的。

做了非常多的无用功，自己手写了一部分的代码，回头看那些机器学习的类库，没有开始的时候那么迷惑，另外，学习一门新的编程语言，语法是最简单的部分，之后就是标准库，最后就是感觉，写就了之后编程语言的命名一个方法调用都有一定的感觉，所以为了某个功能，短时间速成一个编程语言然后编写东西是非常累人的事情，也可能是精力没有以前那么好了。

October.19/0.2

我用我编写（这周编写的）的一个全连接神经网络学习的demo训练同样样本的数据，然后测试，正确率大概在0.6-0.7之间（没具体统计），这个单个数字字母，四个数字加字母组合的验证码正确率就没法看了，看来差距还是很大，应该是我在哪里做错了什么。