# 深度学习入门：基于Python的理论与实现

**Repository Path**: splay-carving/Deep-Learning-from-Scratch

## Basic Information

- **Project Name**: 深度学习入门：基于Python的理论与实现
- **Description**: 深度学习入门：基于Python的理论与实现 (斋藤康毅) 
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2026-04-01
- **Last Updated**: 2026-04-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Deep Learning from Scratch

本项目是《深度学习入门：基于Python的理论与实现》一书的代码实现，旨在从零开始构建深度学习模型，帮助理解神经网络的基本原理和实现细节。

## 项目结构

- **ch01**: Python基础代码，包含简单的图形绘制和类定义。
- **ch02**: 逻辑电路实现，展示了如何用Python实现基本的逻辑门（AND, NAND, OR, XOR）。
- **ch03**: 神经网络基础，包含激活函数（sigmoid, relu）和MNIST手写数字识别的简单实现。
- **ch04**: 神经网络的学习，展示了梯度下降法、数值微分和简单的网络训练。
- **ch05**: 误差反向传播法，实现了更高效的梯度计算方法。
- **ch06**: 参数优化，比较了不同的优化算法（SGD, Momentum, AdaGrad等）。
- **ch07**: 卷积神经网络（CNN），实现了卷积层和池化层。
- **ch08**: 深层网络，展示了更复杂的卷积神经网络结构。
- **common**: 公共模块，包含常用的函数、层、优化器等。
- **dataset**: 数据集处理，包含MNIST数据集的加载和预处理。

## 安装与依赖

确保已安装以下依赖：

- Python 3.x
- NumPy
- Matplotlib
- PIL (用于图像处理)

可以通过以下命令安装依赖：

```bash
pip install numpy matplotlib pillow
```

## 使用方法

### 运行示例代码

每个章节的代码都可以独立运行。例如，运行第3章的MNIST识别代码：

```bash
python ch03/neuralnet_mnist.py
```

### 训练神经网络

训练一个简单的神经网络模型：

```bash
python ch04/train_neuralnet.py
```

### 使用卷积神经网络

运行卷积神经网络进行图像识别：

```bash
python ch07/simple_convnet.py
```

## 贡献指南

欢迎贡献代码和文档。请遵循以下步骤：

1. Fork 本仓库
2. 创建新分支 (`git checkout -b feature/new-feature`)
3. 提交更改 (`git commit -am 'Add new feature'`)
4. 推送分支 (`git push origin feature/new-feature`)
5. 创建 Pull Request

## 许可证

本项目遵循 MIT 许可证。详情请参阅 [LICENSE.md](LICENSE.md) 文件。