一、步骤

第一步：定义输入层——>隐层——>输出层——>权重——>学习率——>激活函数。

第二步：定义训练网络（计算误差、更新权重）

第三步：定义查询网络（个人感觉就是通过神经网络预测的结果）

第四步：定义主函数（包括参数的取值，训练次数，数据的输入）

二、代码

第一步导入包——>定义一个叫NeuralNetwork的类——>初始化函数init。

      在这个初始化函数中，我们看到了一些参数（输入层，隐层，输出层，权重，学习率），其中权重（拿输入层和隐层之间的为例），numpy.random 表示随机收取，其中函数 normal 有三个参数（期望，标准差，shape)，其中这个shape我认为是一个矩阵。所以W-ih=随机从（方差=0，标准差=

inputs = numpy.array(inputList,ndmin=2).T：将输入的数据生成一个二维数组，T应该是转秩，inputs=Xi (根据书里）

targets = numpy.array(targetList,ndmin=2).T：将目标结果数据生成一个二维数组，T应该是转秩，targets=Yi

hiddenInput = numpy.dot(self.w_ih, inputs)：表示 hiddenInput   =   W-ih * inputs (隐层输入等于权重乘以输入层输入，即WX)

hiddenOutput =self.activate(hiddenInput)：通过激活函数判断hiddenInput ,例如输出0、1

finalInput = numpy.dot(self.w_ho, hiddenOutput)：表示finalInput = W_ho * hiddenOutput

finalOutput =self.activate(finalInput)：通过激活函数判断finalInput ,例如输出0、1

计算误差和权重更新

下面结合书里的来解释一下这些计算过程

第三步：定义查询网络

       查询网络其实就是说return一个通过神经网络预测出来的输出值，finalOutput. 其他过程解释跟训练网络的一样

第四步：定义主函数
这里主要就是参数的设置

         接下来读取我们的训练数据，因为我们的数据是一行数据就是一张图片的数据，每一行开头的第一个数据就是我们的目标结果，即Yi。所以我们读取文件要一行一行的读取，我们来看看这个文档大家就明白了。

      再来设置训练次数（trainTimes ）这里的训练次数可以根据自己尝试多设置其他数值，这里我设置了5次，我也尝试了其他数值，一开始的准确率为0.45.如果训练次数过小，就会导致欠拟合，过大即过拟合。大家可以自己适当的修改一下参数，多跑几次对比不同数值下的准确率。

qbar = tqdm.tqdm(total=5)：tqdm函数表示设置进度条，其中进度条总长为5                       for e   in range(trainTimes):     qbar.update(1) ：用e去遍历循环个训练次数，每次进度条读取更新的步长为1，即在总长为5下，每进一步代表训练次数更加一次。

tqbar = tqdm.tqdm(total=100)：tqdm函数表示设置进度条，其中进度条总长为100                 for record   in fileData:    tqbar.update(10) ：原理跟上面的一样，但是这里的进度条更新步长我设置了10，因为在调参的时候我一开始设置 tqbar.update(5) 然后准确率比1还低，我就发现了这里进度条的步长跟准确率也有关系，试了好多的数据最后确定了10，准确率也来到0.54

这里我就避重就轻，因为有些我也没看太明白

imageValue = record.split(',')：将数值用逗号分隔开

inputs = numpy.asfarray(imageValue[1:]) /255.0 *0.99 +0.01：这里很细节，就是前面用逗号分隔开数据，然后这里的函数asfarray就是起到移除符号的作用。imageValue[1:]因为这里是输入数据，即x，我们就取每行第二个数值到最后，因为第一个是Y值，前面有说，最后除以255*0.99+0.01，就是图像的那个啥值最高是255，将训练数据的数值按比例缩小到0-1的范围内，经过乘以0.99后加0.01的处理后，编程0.01-0.99的数据

这里我不太懂为啥要处理这里targets，即y，所以说我就避重就轻嘻嘻

targets = numpy.zeros(outputNodes) +0.01：使用0填充长度为target_nodes的数组，并将其中所有值+0.01                                                                                                               targets[int(imageValue[0])] =0.99：将训练数据中第一个值（训练数据的正确结果）对应的位置的值改为0.99                                                                                                                    neuralTest.train(inputs, targets)：然后训练

训练完，接下来就是测试

读取文件，处理，跟上面的训练网络一样，这里的answer就是直接取Y值，然后打印出来。原理就是用查询出来的数值跟这个Y对比，一样则预测正确。

最后打印出预测结果，用实际结果跟目标结果对比，如果相等，就返回1，否则返回0，然后用返回的数值相加起来除以全部数值的个数，这个比值就是我们的准确率。最后准确率比较低的原因，我认为是我们的训练集不够大。
如果有理解错误的求大神指点嘻嘻