（keras安装可参考我的文章：Windows 下 Python 3.6 下安装 TensorFlow，和pyopencl没关系）

　　首先，你要有一些数学和哲学知识，比如：

• 听说过【向量】 （知道可以把数写成(1,2,3,4)这种形式即可）

• 懂一点【抽象】，能提炼出一些事物的关联 （比如，汽车和自行车有什么共同点？）

• 能不看教程写出python小程序（比如打印helloworld）

• （技巧：看不很懂就试图“观其大略”）

　　对于向量，如果想进一步了解，可以参考视频：

　　3Blue1Brown的视频教程（线性代数）

　　（你至少会从中习惯，可以把向量竖着写）

　　接下来的三个视频也是同样的来源。显然他们说的比我好，我只需要放链接……

　　3Blue1Brown的视频教程（神经网络）1

　　3Blue1Brown的视频教程（神经网络）2

　　3Blue1Brown的视频教程（神经网络）3 （分上下篇）

　　再放一个：（我是按顺序放的）

　　知乎回答（卷积层）（卷积神经网络简称CNN）

　　（作者：地球的外星人君；来源：知乎）

　　下面的代码就出自上方回答。但我处理了一下，写成了伪代码……

### 准备原料### 制作饲料### 制作猫### 喂猫

　　（笑）大概就是这么个过程，虽然比较抽象，但能够说明问题。具体一点的话，第一步是这样的：

### 准备原料！
import numpyfrom keras.datasets import mnist# data数据，set集合，datasets数据集；    mnist是一个著名的数字图像识别数据集from keras.models import Sequential# model模型；    Sequential 序贯模型（应该就是最简单的模型——层与层相继连接而已）from keras.layers import Dense# layer层；    dense密集的（可能是指普通的一层）from keras.layers import Dropout# dropout丢弃from keras.layers import Flatten# flatten压平，numpy中此名称对应函数是把不管多少维的矩阵中的数 列为一行from keras.layers.convolutional import Conv2D# convolutional卷积；    Conv2D大概是2维卷积from keras.layers.convolutional import MaxPooling2D# MaxPooling 区域中共同最大值 （记得那个回答中的“池化”么）from keras.utils import np_utils# util工具；    np应该是numpyseed = 7
numpy.random.seed(seed)# 随机数初始化，seed种子（如果你知道我的世界种子，就很好理解）# 种子随机就是说，用同一个种子会生成同一个随机数列，即使反复运行

　　第二步：（你可能需要事先理解多维数组）

　　（代码较宽，向右选中文字可以移动）

### 制作饲料！# 加载信息
(X_train, y_train), (X_test,y_test) = mnist.load_data()# 两个X都是列表，其元素为图像（二维矩阵表示）；两个y也都是列表，其元素是X中图像对应的数字；train表示训练用，test表示测试用# 使信息成为模型能处理的格式
X_train = X_train.reshape(X_train.shape[0],28, 28,1).astype('float32')# （张量，英文tensor，0维张量是标量，1维是向量，2维是矩阵，3维大概是立方阵，等等）# n维张量的shape是由各维度上的元素个数组成的n元向量，比如三阶方阵的shape是(3,3)# reshape就是把矩阵按顺序展平后重新拼（比如全是1的三阶方阵一般是这么表示的：[[1,1,1],[1,1,1],[1,1,1]]，展平就是只留最外层括号）# 另：最后一个1是图像通道数，灰度图自然是1，三色应该就是3X_test = X_test.reshape(X_test.shape[0],28, 28,1).astype('float32')# 整数类型化为浮点类型X_train = X_train / 255
X_test = X_test / 255# （0-255 -> 0-1）y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)# 序列化，即用[1,0,0,0,0,0,0,0,0,0] 代替 0，[0,1,0,0,0,0,0,0,0,0] 代替 1，[0,0,1,0,0,0,0,0,0,0] 代替 2，等等，# 记得3Blue1Brown视频里输出的样子么？一列num_classes = y_test.shape[1]# 结果数量

　　第三步：

### 制作猫！def baseline_model():model = Sequential()# 建一个空的“序贯模型”model.add(Conv2D(32, (3, 3), padding='valid', input_shape=(28, 28,1), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))# 添加卷积层model.add(Conv2D(15, (3, 3), padding='valid' ,activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))# 似乎是再加一个卷积层    （导入部分已经翻译了函数名称）model.add(Flatten())# 进入一维模式    （记得视频里把图像一维化么，这里是先卷积再一维化）model.add(Dense(128, activation='relu'))model.add(Dense(num_classes, activation='softmax'))# “密集层”（似乎也叫“全连接”）model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])# compile编译，这总不该解释运行了……return modelmodel = baseline_model()# （用函数加调用来创建模型“看起来更清晰”）

　　第四步：

### 喂猫model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=5, batch_size=128, verbose=2)

　　运行非常慢（这可是神经网络！），我没有GPU，训练一次大约要40秒（最后一行的epoch表示训练次数）。看着别人的个位数秒数，有点难过。

　　（2018-2-6 于地球）