使用 MNIST 數(shù)據(jù)集對 0 到 9 之間的數(shù)字進行手寫數(shù)字識別是神經(jīng)網(wǎng)絡(luò)的一個典型入門教程。該技術(shù)在現(xiàn)實場景中是很有用的，比如可以把該技術(shù)用來掃描銀行轉(zhuǎn)帳單或支票，其中帳號和需要轉(zhuǎn)賬的金額可以被識別處理并寫在明確定義的方框中。

?

　　在本教程中，我們將介紹如何使用 Julia 編程語言和名為 Flux 的機器學習庫來實現(xiàn)這一技術(shù)。為什么使用 Flux 和 Julia？本教程為什么想使用 Flux（https://fluxml．ai/） 和 Julia（https://julialang．org/） ，而不是像 Torch、PyTorch、Keras 或 TensorFlow 2．0 這樣的知名框架呢？一個很好的原因是因為 Flux 更易于學習，而且它提供更好的性能和擁有有更大的潛力，另外一個原因是，F(xiàn)lux 在仍然是一個小庫的情況下實現(xiàn)了很多功能。Flux 庫非常小，因為它所做的大部分工作都是由 Julia 編程語言本身提供的。例如，如果你查看 Gorgonia ML 庫（https://github．com/gorgonia/gorgonia） 中的 Go 編程語言，你將看到，它明確地展示了其他機器學習庫如何構(gòu)建一個需要執(zhí)行和區(qū)分的表達式圖。在 Flux 中，這個圖就是 Julia 本身。Julia 與 LISP 非常相似，因為 Julia 代碼可以很容易地表示為數(shù)據(jù)結(jié)構(gòu)，可以對其進行修改和計算。機器學習概論如果你是機器學習的新手，你可以跟著本教程來學習，但并不是所有的東西對你來說都是有價值的。你也可以看看我以前關(guān)于 Medium 的一些文章，它們可能會解釋你一些新手的疑惑： 線性代數(shù)的核心思想。（https://medium．com/@Jernfrost/the-core-idea-of-linear-algebra-7405863d8c1d）線性代數(shù)基本上是關(guān)于向量和矩陣的，這是你在機器學習中經(jīng)常用到的東西。使用引用。（https://medium．com/@Jernfrost/working-with-andemulating-references-in-julia-e02c1cae5826）它看起來有點不太好理解，但是如果你想理解像 Flux 這樣的 ML 庫，那么理解 Julia 中的引用是很重要的。Flux 的實現(xiàn)。（https://medium．com/@Jernfrost/implementation-of-a-modern-machine-learninglibrary-3596badf3be）如何實現(xiàn) Flux-ML 庫的初學者指南。機器學習簡介。（https://medium．com/@Jernfrost/machinelearning-for-dummies-in-julia-6cd4d2e71a46） 機器學習概論。簡單多層感知機我們要編程的人工神經(jīng)網(wǎng)絡(luò)被稱為簡單的多層感知機，這是神經(jīng)網(wǎng)絡(luò)（ANN）的基礎(chǔ)，大多數(shù)教科書都會從它開始。我先展示整個程序，然后我們再更詳細地講解不同的部分。