之前计划学习「深度学习」相关内容，于是我在JD上买了很多和这个主题有关的书，其中就包括这篇文章推荐的「Python神经网络编程」。
为什么我在标题中，称其为"入门神经网络的儿童读本"呢？ 因为同时期我还买了一本书，深度学习（DEEP LEARNING），由于封面是一个花园，所以它一般也被称为"花书"。花书大约500页，每页都是密密麻麻的字，和一堆数学公式，如果你计划直接阅读花书来入门深度学习的话，就相当于让一个刚识字的孩子直接去看四大名著，可能字都认识，连起来不明白它到底想表达什么意思。
而这本书200多页，一共22多万字，分为3个主要章节和2个附录，由于文字浅显易懂，读起来不会有太多障碍，因此一个周末的时间就能读完。看这本书，相当于让孩子在直接读四大名著前，先看注音白话版（含插画），先增加自信心，提起后续继续的阅读的兴趣。
举个例子，在「深度学习」和「Python神经网络编程」都有一个关于XOR(异或)的案例，用于说明线性分类器（线性模型: y=ax+b）的局限性。在读「深度学习」的时候，我只是知道XOR不行，但是不知道为什么作者要举XOR这个例子。而「Python神经网络编程」的作者解决了我这个疑惑。
下图中，我们可以发现AND和OR能够使用一条直线，根据输入x1和x2判断输出是0还是1.
但是对于XOR，你无法借助于一条直线将图中的红色和绿色点进行区分，所以为什么不去试试神奇的"神经网络"呢?
另外一个例子，就是我理解了为什么线性代数在神经网络中那么重要。在「Python神经网络编程」的1.7节中，作者先带着我们一步一步在神经网络中追踪信号的传递, 先计算了第二层的第一个节点，也就是x=(第一个节点的输出 * 链接权重 ) + (第二个节点的输出 * 链接权重），然后再按照相同的思路计算了其他节点。在1.7节的最后，作者说到
...好在，即使是面对一个具有很多层，众多节点的神经网络，数学可以帮助我们以非常简洁的方式写下计算出所有输出值的命令。由于这种简洁性，指令变得非常短，执行起来也更有效率，因此这种简洁性不仅仅是对人类读者有益处，对计算机而言，也一样大有裨益。这一简洁方式就是使用矩阵...
在1.8节中，作者引入了矩阵的计算方式，然后将之前的繁琐的计算过程化简成 $X = W \cdot I$, 使得我知其然并知其所以然。
最后，我花了3天晚上把这本书看完了，让我从"花书"的打击中走了出来。这一幕就跟当年不知好歹，想通过「算法导论」 入门算法一样，最后还是靠着「图解算法」活了过去。
