A. 如何用python畫深度學習訓練圖比如誤差，准確率變化曲線之類的
用TensorFlow啊，外加個圖形包就可以了
B. python深度學習的學習方法或者入門書籍有什麼
作者：issac Syndrome
來源：知乎
這是一個較完整的應用深度學習進行圖像識別的學習路徑，不是深度學習的捷徑！
1. 模式識別
從你的描述問題的語言來看，題主似乎對模式識別沒有較高的認識。
所以在做基於深度學習的圖像識別前，建議先大致閱讀模式識別和計算機視覺相關書籍。先理解圖像這個信息本身，才來嘗試識別。《學習OpenCV》，我覺得是一本非常好的上述領域入門書籍，也有python介面。
2.機器學習
不清楚你對機器學習及其相關領域的了解程度。在學習深度學習理論前，建議學習淺層模型及其理論。當然沒有特別好的中文書籍。但《機器學習》，《統計學習方法》還是值得一看。外文推薦《Pattern Recognition and Machine Learning》和《Machine Learning： a Probabilistic Perspective》，後者包含了深度神經網路的章節。
3.深度學習
最後深度學習在python方面首推蒙特利爾大學的Theano（Welcome — Theano 0.6 documentation）。其有對應的英文版深度學習教程（Contents — DeepLearning 0.1 documentation），會涉及到淺層模型到深度模型的擴展。
我已經把部分文檔翻譯為中文，放在github上。質量不佳，如果有興趣的可以一起加入（Syndrome777/DeepLearningTutorial · GitHub）。
另外有個斯坦福的文檔，主要講解自動編碼機，有中文學者完成了翻譯（UFLDL教程 - Ufldl）。
深度學習很火，使得一部分同學急切的加入。但我還是建議首先先有模式識別和機器學習的基礎後再學習不遲，這樣打後期才會比較給力。
C. 如何通過Python進行深度學習
作者 | Vihar Kurama
編譯 | 荷葉
來源 | 雲棲社區
摘要：深度學習背後的主要原因是人工智慧應該從人腦中汲取靈感。本文就用一個小例子無死角的介紹一下深度學習！
人腦模擬
深度學習背後的主要原因是人工智慧應該從人腦中汲取靈感。此觀點引出了「神經網路」這一術語。人腦中包含數十億個神經元，它們之間有數萬個連接。很多情況下，深度學習演算法和人腦相似，因為人腦和深度學習模型都擁有大量的編譯單元（神經元），這些編譯單元（神經元）在獨立的情況下都不太智能，但是當他們相互作用時就會變得智能。
我認為人們需要了解到深度學習正在使得很多幕後的事物變得更好。深度學習已經應用於谷歌搜索和圖像搜索，你可以通過它搜索像「擁抱」這樣的詞語以獲得相應的圖像。－傑弗里·辛頓
神經元
神經網路的基本構建模塊是人工神經元，它模仿了人類大腦的神經元。這些神經元是簡單、強大的計算單元，擁有加權輸入信號並且使用激活函數產生輸出信號。這些神經元分布在神經網路的幾個層中。
inputs 輸入 outputs 輸出 weights 權值 activation 激活
人工神經網路的工作原理是什麼？
深度學習由人工神經網路構成，該網路模擬了人腦中類似的網路。當數據穿過這個人工網路時，每一層都會處理這個數據的一方面，過濾掉異常值，辨認出熟悉的實體，並產生最終輸出。
輸入層：該層由神經元組成，這些神經元只接收輸入信息並將它傳遞到其他層。輸入層的圖層數應等於數據集里的屬性或要素的數量。輸出層：輸出層具有預測性，其主要取決於你所構建的模型類型。隱含層：隱含層處於輸入層和輸出層之間，以模型類型為基礎。隱含層包含大量的神經元。處於隱含層的神經元會先轉化輸入信息，再將它們傳遞出去。隨著網路受訓練，權重得到更新，從而使其更具前瞻性。
神經元的權重
權重是指兩個神經元之間的連接的強度或幅度。你如果熟悉線性回歸的話，可以將輸入的權重類比為我們在回歸方程中用的系數。權重通常被初始化為小的隨機數值，比如數值0-1。
前饋深度網路
前饋監督神經網路曾是第一個也是最成功的學習演算法。該網路也可被稱為深度網路、多層感知機（MLP）或簡單神經網路，並且闡明了具有單一隱含層的原始架構。每個神經元通過某個權重和另一個神經元相關聯。
該網路處理向前處理輸入信息，激活神經元，最終產生輸出值。在此網路中，這稱為前向傳遞。
inputlayer 輸入層 hidden layer 輸出層 output layer 輸出層
激活函數
激活函數就是求和加權的輸入到神經元的輸出的映射。之所以稱之為激活函數或傳遞函數是因為它控制著激活神經元的初始值和輸出信號的強度。
用數學表示為：
我們有許多激活函數，其中使用最多的是整流線性單元函數、雙曲正切函數和solfPlus函數。
激活函數的速查表如下：
反向傳播
在網路中，我們將預測值與預期輸出值相比較，並使用函數計算其誤差。然後，這個誤差會傳回這個網路，每次傳回一個層，權重也會根絕其導致的誤差值進行更新。這個聰明的數學法是反向傳播演算法。這個步驟會在訓練數據的所有樣本中反復進行，整個訓練數據集的網路更新一輪稱為一個時期。一個網路可受訓練數十、數百或數千個時期。
prediction error 預測誤差
代價函數和梯度下降
代價函數度量了神經網路對給定的訓練輸入和預期輸出「有多好」。該函數可能取決於權重、偏差等屬性。
代價函數是單值的，並不是一個向量，因為它從整體上評估神經網路的性能。在運用梯度下降最優演算法時，權重在每個時期後都會得到增量式地更新。
兼容代價函數
用數學表述為差值平方和：
target 目標值 output 輸出值
權重更新的大小和方向是由在代價梯度的反向上採取步驟計算出的。
其中η 是學習率
其中Δw是包含每個權重系數w的權重更新的向量，其計算方式如下：
target 目標值 output 輸出值
圖表中會考慮到單系數的代價函數
initial weight 初始權重 gradient 梯度 global cost minimum 代價極小值
在導數達到最小誤差值之前，我們會一直計算梯度下降，並且每個步驟都會取決於斜率（梯度）的陡度。
多層感知器（前向傳播）
這類網路由多層神經元組成，通常這些神經元以前饋方式（向前傳播）相互連接。一層中的每個神經元可以直接連接後續層的神經元。在許多應用中，這些網路的單元會採用S型函數或整流線性單元（整流線性激活）函數作為激活函數。
現在想想看要找出處理次數這個問題，給定的賬戶和家庭成員作為輸入
要解決這個問題，首先，我們需要先創建一個前向傳播神經網路。我們的輸入層將是家庭成員和賬戶的數量，隱含層數為1， 輸出層將是處理次數。
將圖中輸入層到輸出層的給定權重作為輸入：家庭成員數為2、賬戶數為3。
現在將通過以下步驟使用前向傳播來計算隱含層（i，j）和輸出層（k）的值。
步驟：
1， 乘法－添加方法。
2， 點積（輸入＊權重）。
3，一次一個數據點的前向傳播。
4， 輸出是該數據點的預測。
i的值將從相連接的神經元所對應的輸入值和權重中計算出來。
i = (2 * 1) + (3* 1) → i = 5
同樣地，j = (2 * -1) + (3 * 1) → j =1
K = (5 * 2) + (1* -1) → k = 9
Python中的多層感知器問題的解決
激活函數的使用
為了使神經網路達到其最大預測能力，我們需要在隱含層應用一個激活函數，以捕捉非線性。我們通過將值代入方程式的方式來在輸入層和輸出層應用激活函數。
這里我們使用整流線性激活（ReLU）:
用Keras開發第一個神經網路
關於Keras：
Keras是一個高級神經網路的應用程序編程介面，由Python編寫，能夠搭建在TensorFlow,CNTK,或Theano上。
使用PIP在設備上安裝Keras,並且運行下列指令。
在keras執行深度學習程序的步驟
1，載入數據；
2，創建模型；
3，編譯模型；
4，擬合模型；
5，評估模型。
開發Keras模型
全連接層用Dense表示。我們可以指定層中神經元的數量作為第一參數，指定初始化方法為第二參數，即初始化參數，並且用激活參數確定激活函數。既然模型已經創建，我們就可以編譯它。我們在底層庫（也稱為後端）用高效數字型檔編譯模型，底層庫可以用Theano或TensorFlow。目前為止，我們已經完成了創建模型和編譯模型，為進行有效計算做好了准備。現在可以在PIMA數據上運行模型了。我們可以在模型上調用擬合函數f（），以在數據上訓練或擬合模型。
我們先從KERAS中的程序開始，
神經網路一直訓練到150個時期，並返回精確值。
D. Python的深度學習框架有哪些
中公教育聯合中科院專家打造的深度學習分八個階段進行學習：
第一階段AI概述及前沿應用成果介紹
深度學習的最新應用成果
單層/深度學習與機器學習
人工智慧的關系及發展簡
第二階段神經網路原理及TensorFlow實戰
梯度下降優化方法
前饋神經網路的基本結構和訓練過程
反向傳播演算法
TensorFlow開發環境安裝
「計算圖」編程模型
深度學習中圖像識別的操作原理
第三階段循環神經網路原理及項目實戰
語言模型及詞嵌入
詞嵌入的學習過程
循環神經網路的基本結構
時間序列反向傳播演算法
長短時記憶網路（LSTM）的基本結構
LSTM實現語言模型
第四階段生成式對抗網路原理及項目實戰
生成式對抗網路（GAN）的基本結構和原理
GAN的訓練過程
GAN用於圖片生成的實現
第五階段深度學習的分布式處理及項目實戰
多GPU並行實現
分布式並行的環境搭建
分布式並行實現
第六階段深度強化學習及項目實戰
強化學習介紹
智能體Agent的深度決策機制（上）
智能體Agent的深度決策機制（中）
智能體Agent的深度決策機制（下）
第七階段車牌識別項目實戰
數據集介紹及項目需求分析
OpenCV庫介紹及車牌定位
車牌定位
車牌識別
學員項目案例評講
第八階段深度學習前沿技術簡介
深度學習前沿技術簡介
元學習
遷移學習等
詳情查看深度學習。
E. Python中的深度學習是怎麼一回事學完有前景嗎
深度學習無疑就是在原本的基礎上更深參差的去開發，一般python學出來做一個常規中級的工程師是沒問題的。但是你要寫更高級的語言，就要有更高級的理解和學習，才能做出更智能高級的產品。如果以後是想要往更好更大的公司發展的話是學還是有必要的
F. Python深度學習該怎麼學
按照下面的課程安排學習：
階段一：Python開發基礎
Python全棧開發與人工智慧之Python開發基礎知識學習內容包括：Python基礎語法、數據類型、字元編碼、文件操作、函數、裝飾器、迭代器、內置方法、常用模塊等。
階段二：Python高級編程和資料庫開發
Python全棧開發與人工智慧之Python高級編程和資料庫開發知識學習內容包括：面向對象開發、Socket網路編程、線程、進程、隊列、IO多路模型、Mysql資料庫開發等。
階段三：前端開發
Python全棧開發與人工智慧之前端開發知識學習內容包括：Html、CSS、JavaScript開發、Jquery&bootstrap開發、前端框架VUE開發等。
階段四：WEB框架開發
Python全棧開發與人工智慧之WEB框架開發學習內容包括：Django框架基礎、Django框架進階、BBS+Blog實戰項目開發、緩存和隊列中間件、Flask框架學習、Tornado框架學習、Restful API等。
階段五：爬蟲開發
Python全棧開發與人工智慧之爬蟲開發學習內容包括：爬蟲開發實戰。
階段六：全棧項目實戰
Python全棧開發與人工智慧之全棧項目實戰學習內容包括：企業應用工具學習、CRM客戶關系管理系統開發、路飛學城在線教育平台開發等。
階段七：演算法&設計模式
階段八：數據分析
Python全棧開發與人工智慧之數據分析學習內容包括：金融量化分析。
階段九：機器學習、圖像識別、NLP自然語言處理
Python全棧開發與人工智慧之人工智慧學習內容包括：機器學習、圖形識別、人工智慧玩具開發等。
階段十：Linux系統&百萬級並發架構解決方案
階段十一：高並發語言GO開發
Python全棧開發與人工智慧之高並發語言GO開發學習內容包括：GO語言基礎、數據類型與文件IO操作、函數和面向對象、並發編程等。
G. python的深度學習對於普通人有必要嗎
學Python對於普通人來講能夠提高職場競爭能力，辦公更智能，處理數據更加方便
H. 簡單的了解過Python，可以學習深度學習嗎
有Python基礎的話就可以進行深度學習了呢， 因為深度學習這門課程主要是對於人工智慧領域的一個提升課程，所以有編程基礎的話學習起來會更好一些。 不過如果之後想要走人工智慧這個方向的話，還是建議先系統學習Pytthon，然後再進行深度學習課程的學習。