对Python神经网络编程中的demo进行练习，简单的三层神经网络，是Python神经网络编程学习入门的很好的体验。

多层前向卷积神经网络Python代码。Theano的CNN代码

本文来自于CSDN，介绍了BP神经网络原理以及如何使用Python来实现BP神经网络等相关知识。人工神经网络是一种经典的机器学习模型，随着深度学习的发展神经网络模型日益完善.联想大家熟悉的回归问题，神经网络模型实际上是根据训练样本创造出一个多维输入多维输出的函数，并使用该函数进行预测， 网络的训练过程即为调节该函数参数提高预测精度的过程.神经网络要解决的问题与最小二乘法回归解决的问题并无根本性区别.回归和分类是常用神经网络处理的两类问题.感知机(Perceptron)是一个简单的线性二分类器，它保存着输入权重，根据输入和内置的

采用python对BP神经网络原理进行编写程序，应用神经网络解决分类问题，并且绘制分类边界图

利用python对前馈神经网络进行原理编写，也就是误差逆传播算法的实现，对于想要理解神经的很有帮助

在别人做一输入一输出的基础上实现两输入一输出，应该可以任意改变输入数。原代码实现的y=x1²+x2²函数的拟合。

人工智能_项目实践_铁路客运量预测_采用Tensorflow搭建的LSTM网络对民航客运量做的预测

人工智能领域 PyTorch生成对抗网络编程

基于python、numpy实现的高参数自由度神经网络 1）隐藏层层数可选，每层神经元个数可选【列表输入】 2）激励函数可选：sigmoid、tanh、relu 3）输入神经元个数可选，输出神经元个数可选，默认为2，即2分类

资源特点：基于北京交通大学《机器学习》课程中，神经网络部分的课程作业，一共有六个案例 1.1 使用 sklearn 的多层感知机 1.2 神经网络：线性回 1.3 神经网络：对数几率回归 1.4 神经网络：三层感知机 1.5 实现 n 层感知机 1.6 设计一种改良的优化算法 每个案例配有详细的代码和解释，都能测试通过。 一、实验内容 1.1 使用 sklearn 的多层感知机 使用 sklearn 自带的手写数字数据集： 1. 学习标准化处理的方法 2. 使用 sklearn.neural_network.MLPClassifier 完成手写数字分类任务 3. 绘制学习率为 3，1，0.1，0.01 训练集损失函数的变化曲线 1.2 神经网络：线性回归 1. 学会梯度下降的基本思想 2. 学会使用梯度下降求解线性回归 3. 了解标准化处理的效果 1.3 神经网络：对数几率回归 1. 完成对数几率回归 2. 使用梯度下降求解模型参数 3. 绘制模型损失值的变化曲线 4. 调整学习率和迭代轮数，观察损失值曲线的变化 5. 按照给定的学习率和迭代轮数，初始化新的参数，绘制新模型在训练集和测