使用 MNIST 數據集對 0 到 9 之間的數字進行手寫數字識別是神經網絡的一個典型入門教程。該技術在現實場景中是很有用的，比如可以把該技術用來掃描銀行轉帳單或支票，其中帳號和需要轉賬的金額可以被識別處理并寫在明確定義的方框中。

?

　　在本教程中，我們將介紹如何使用 Julia 編程語言和名為 Flux 的機器學習庫來實現這一技術。為什么使用 Flux 和 Julia？本教程為什么想使用 Flux（https://fluxml．ai/） 和 Julia（https://julialang．org/） ，而不是像 Torch、PyTorch、Keras 或 TensorFlow 2．0 這樣的知名框架呢？一個很好的原因是因為 Flux 更易于學習，而且它提供更好的性能和擁有有更大的潛力，另外一個原因是，Flux 在仍然是一個小庫的情況下實現了很多功能。Flux 庫非常小，因為它所做的大部分工作都是由 Julia 編程語言本身提供的。例如，如果你查看 Gorgonia ML 庫（https://github．com/gorgonia/gorgonia） 中的 Go 編程語言，你將看到，它明確地展示了其他機器學習庫如何構建一個需要執行和區分的表達式圖。在 Flux 中，這個圖就是 Julia 本身。Julia 與 LISP 非常相似，因為 Julia 代碼可以很容易地表示為數據結構，可以對其進行修改和計算。機器學習概論如果你是機器學習的新手，你可以跟著本教程來學習，但并不是所有的東西對你來說都是有價值的。你也可以看看我以前關于 Medium 的一些文章，它們可能會解釋你一些新手的疑惑： 線性代數的核心思想。（https://medium．com/@Jernfrost/the-core-idea-of-linear-algebra-7405863d8c1d）線性代數基本上是關于向量和矩陣的，這是你在機器學習中經常用到的東西。使用引用。（https://medium．com/@Jernfrost/working-with-andemulating-references-in-julia-e02c1cae5826）它看起來有點不太好理解，但是如果你想理解像 Flux 這樣的 ML 庫，那么理解 Julia 中的引用是很重要的。Flux 的實現。（https://medium．com/@Jernfrost/implementation-of-a-modern-machine-learninglibrary-3596badf3be）如何實現 Flux-ML 庫的初學者指南。機器學習簡介。（https://medium．com/@Jernfrost/machinelearning-for-dummies-in-julia-6cd4d2e71a46） 機器學習概論。簡單多層感知機我們要編程的人工神經網絡被稱為簡單的多層感知機，這是神經網絡（ANN）的基礎，大多數教科書都會從它開始。我先展示整個程序，然后我們再更詳細地講解不同的部分。