（keras安裝可參考我的文章：Windows 下 Python 3.6 下安裝 TensorFlow，和pyopencl沒關係）
首先，你要有一些數學和哲學知識，比如：
聽說過【向量】 （知道可以把數寫成(1,2,3,4)這種形式即可）
懂一點【抽象】，能提煉出一些事物的關聯 （比如，汽車和自行車有什麼共同點？）
能不看教程寫出python小程序（比如打印helloworld）
（技巧：看不很懂就試圖“觀其大略”）
對於向量，如果想進一步瞭解，可以參考視頻：
（你至少會從中習慣，可以把向量豎着寫）
接下來的三個視頻也是同樣的來源。顯然他們說的比我好，我只需要放鏈接……
3Blue1Brown的視頻教程（神經網絡）3 （分上下篇）
再放一個：（我是按順序放的）
知乎回答（卷積層）（卷積神經網絡簡稱CNN）
（作者：地球的外星人君；來源：知乎）
下面的代碼就出自上方回答。但我處理了一下，寫成了僞代碼……
### 準備原料 ### 製作飼料 ### 製作貓 ### 喂貓
（笑）大概就是這麼個過程，雖然比較抽象，但能夠說明問題。具體一點的話，第一步是這樣的：
### 準備原料！ import numpy from keras.datasets import mnist # data數據，set集合，datasets數據集； mnist是一個著名的數字圖像識別數據集 from keras.models import Sequential # model模型； Sequential 序貫模型（應該就是最簡單的模型——層與層相繼連接而已） from keras.layers import Dense # layer層； dense密集的（可能是指普通的一層） from keras.layers import Dropout # dropout丟棄 from keras.layers import Flatten # flatten壓平，numpy中此名稱對應函數是把不管多少維的矩陣中的數 列爲一行 from keras.layers.convolutional import Conv2D # convolutional卷積； Conv2D大概是2維卷積 from keras.layers.convolutional import MaxPooling2D # MaxPooling 區域中共同最大值 （記得那個回答中的“池化”麼） from keras.utils import np_utils # util工具； np應該是numpy seed = 7 numpy.random.seed(seed) # 隨機數初始化，seed種子（如果你知道我的世界種子，就很好理解） # 種子隨機就是說，用同一個種子會生成同一個隨機數列，即使反覆運行
第二步：（你可能需要事先理解多維數組）
（代碼較寬，向右選中文字可以移動）
### 製作飼料！
# 加載信息
(X_train, y_train), (X_test,y_test) = mnist.load_data()
# 兩個X都是列表，其元素爲圖像（二維矩陣表示）；兩個y也都是列表，其元素是X中圖像對應的數字；train表示訓練用，test表示測試用
# 使信息成爲模型能處理的格式
X_train = X_train.reshape(X_train.shape[0],28, 28,1).astype('float32')
# （張量，英文tensor，0維張量是標量，1維是向量，2維是矩陣，3維大概是立方陣，等等）
# n維張量的shape是由各維度上的元素個數組成的n元向量，比如三階方陣的shape是(3,3)
# reshape就是把矩陣按順序展平後重新拼（比如全是1的三階方陣一般是這麼表示的：[[1,1,1],[1,1,1],[1,1,1]]，展平就是隻留最外層括號）
# 另：最後一個1是圖像通道數，灰度圖自然是1，三色應該就是3
X_test = X_test.reshape(X_test.shape[0],28, 28,1).astype('float32')
# 整數類型化爲浮點類型
X_train = X_train / 255
X_test = X_test / 255
# （0-255 -> 0-1）
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
# 序列化，即用[1,0,0,0,0,0,0,0,0,0] 代替 0，[0,1,0,0,0,0,0,0,0,0] 代替 1，[0,0,1,0,0,0,0,0,0,0] 代替 2，等等，
# 記得3Blue1Brown視頻裏輸出的樣子麼？一列
num_classes = y_test.shape[1]
# 結果數量第三步：
### 製作貓！ def baseline_model(): model = Sequential() # 建一個空的“序貫模型” model.add(Conv2D(32, (3, 3), padding='valid', input_shape=(28, 28,1), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) # 添加捲積層 model.add(Conv2D(15, (3, 3), padding='valid' ,activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) # 似乎是再加一個卷積層 （導入部分已經翻譯了函數名稱） model.add(Flatten()) # 進入一維模式 （記得視頻裏把圖像一維化麼，這裏是先卷積再一維化） model.add(Dense(128, activation='relu')) model.add(Dense(num_classes, activation='softmax')) # “密集層”（似乎也叫“全連接”） model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) # compile編譯，這總不該解釋運行了…… return model model = baseline_model() # （用函數加調用來創建模型“看起來更清晰”）
第四步：
### 喂貓 model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=5, batch_size=128, verbose=2)
運行非常慢（這可是神經網絡！），我沒有GPU，訓練一次大約要40秒（最後一行的epoch表示訓練次數）。看着別人的個位數秒數，有點難過。
（2018-2-6 於地球）