什么是深度学习？先了解几个关键词

在开始动手之前，我们先简单认识三个概念：

• 人工智能（AI）：让计算机模拟人类学习、思考、解决问题的能力。
• 机器学习（ML）：AI 的一个分支，让计算机通过数据学习规律，而不需要逐条编程。
• 深度学习：ML 的最新分支，使用多层人工神经网络处理复杂模式，比如图像识别、语音识别。

这些概念层层嵌套，深度学习是机器学习的一种，而机器学习又是人工智能的一部分。

准备环境：安装 Python 和 pip

要运行深度学习代码，首先需要安装 Python（一种简单易学的编程语言）和 pip（Python 的包管理工具，用来安装别人写好的代码库）。

1. 访问 python.org，下载 Python 3.9 或更高版本。
2. 安装时，记得勾选“Add Python to PATH”（把 Python 添加到系统路径），这样你就能在命令行里直接使用 python 命令了。
3. 打开终端（Windows 用 cmd 或 PowerShell，Mac 用“终端”应用），输入 python --version，看到版本号就说明安装成功。
4. 输入 pip --version，确保 pip 也已安装。

安装 Keras 并运行第一个模型

Keras 是一个高级深度学习框架，它把复杂的底层计算包装成简单的命令，非常适合新手入门。我们用它来搭建一个识别手写数字的神经网络。

1. 在终端输入 pip install keras tensorflow，等待安装完成（TensorFlow 是 Keras 的后端引擎，必须一起装）。
2. 创建一个新文件 first_nn.py，用记事本或任何代码编辑器打开。
3. 复制以下代码粘贴进去：

   from keras.datasets import mnist
   from keras.models import Sequential
   from keras.layers import Dense
   
   # 加载数据
   (train_images, train_labels), (test_images, test_labels) = mnist.load_data()
   
   # 数据预处理
   train_images = train_images.reshape((60000, 28*28)) / 255
   test_images = test_images.reshape((10000, 28*28)) / 255
   
   # 搭建模型
   model = Sequential([
       Dense(512, activation='relu', input_shape=(28*28,)),
       Dense(10, activation='softmax')
   ])
   
   # 编译模型
   model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
   
   # 训练模型
   model.fit(train_images, train_labels, epochs=5, batch_size=128)
   
   # 评估模型
   test_loss, test_acc = model.evaluate(test_images, test_labels)
   print(f'测试准确率: {test_acc}')

4. 在终端运行 python first_nn.py。你会看到训练进度条，最后输出类似“测试准确率: 0.98”的结果，意味着模型识别手写数字的准确率达到了 98%。

恭喜！你已经跑通了第一个神经网络模型。

常见问题与下一步

• 安装失败？ 确保 Python 版本 ≥ 3.9，并且你用的是最新版 pip（pip install --upgrade pip）。
• 代码报错？ 检查代码中的括号、逗号是否完整。如果提示缺少模块，用 pip 重新安装。
• 下一步可以做什么？ 尝试修改 Dense(512, ...) 中的 512 为其他数字（比如 256 或 1024），观察准确率变化；或者更换数据集（比如 CIFAR-10）进行图像分类。