第642章
对于这个神经网络的训练过程，就是要确定这11935个参数
训练的目标可以粗略概括为：对于每一个训练样本，对应的输出无限接近于1，而其它输出无限接近于
根据MichaelNielsen给出的实验结果，以上述网络结构为基础，在未经过调优的情况下，可以轻松达到95%的正确识别率而核心代码只有74行！
在采用了深度学习的思路和卷积网络(convolutionalnetworks)之后，最终达到了%的正确识别率而针对MNIST数据集达到的历史最佳成绩是%的识别率，是由LiWan，MatthewZeiler，SixinZhang，YannLeCun，和RobFergus在2013年做出的
考虑到这个数据集里还有一些类似如下这样难以辨认的数字，这个结果是相当惊人的！它已经超越了真正人眼的识别了
在这个过程中一步步调整权重和偏置参数的值，就必须引入梯度下降算法(gradientdescent)
在训练的过程中，我们的神经网络需要有一个实际可行的学习算法，来逐步调整参数
而最终的目的，是让网络的实际输出与期望输出能够尽量接近我们需要找到一个表达式来对这种接近程度进行表征这个表达式被称为代价函数(costfunction)
x表示一个训练样本，即网络的输入其实一个x代表784个输入
y(x)表示当输入为x的时候，期望的输出值；而a表示当输入为x的时候，实际的输出值bq79♟ccy(x)和a都分别代表10个输出值（以数学上的向量来表示）而它们的差的平方，就表征了实际输出值和期望输出值的接近程度越接近，这个差值就越小
n是训练样本的数量假设有5万个训练样本，那么n就是5万因为是多次训练，所以要除以n对所有训练样本求平均值
C(w，b)的表示法，是把costfunction看成是网络中所有权重w和偏置b的函数为什么这样看呢？进行训练的时候，输入x是固定的（训练样本），不会变在认为输入不变的情况下，这个式子就可以看成是w和b的函数那么，式子右边的w和b在哪呢？实际上，在a里面bq79♟ccy(x)也是固定值，但a是w和b的函数
总结来说，C(w，b)表征了网络的实际输出值和期望输出值的接近程度越接近，C(w，b)的值就越小因此，学习的过程就是想办法降低C(w，b)的过程，而不管C(w，b)的表达形式如何，它是w和b的函数，这就变成了一个求函数最小值的最优化问题
由于C(w，b)的