摘要：學了大半年之后成功轉行做前端了。包含大量其他神經網絡庫中的包裝器和抽象，其中最值得注意的是，其中也包含一些機器學習的實用模塊。它是輕量級可擴展的神經網絡工具包，同時擁有友好的界面，可供機器學習的訓練和預測使用。

題記：大二的時候發現人生苦短，所以信了拍神，開始學Python。學了大半年之后成功轉行做前端了。來寫個教程幫助大家入門Python。

零基礎入門就得從最基本的變量，語法格式，數據類型，函數，作用域，模塊等基本知識入手（有編程基礎基礎也得這么來）

和籃球一樣，先來三步上籃：

Python基礎知識入門，從程序基礎開始學，能看懂代碼就可以了。三種選擇：
第一種：找一本Python入門教程書，比如《Head First Python 中文版 》《笨辦法學Python 》《簡明 Python 教程》。Head First系列書籍都非常簡單易懂，適合文科生看，從最基本的東西講起，有編程基礎的同學看著會覺得幼稚。另外兩本都是普通入門書，隨便選。一些Python相關電子書下載， 密碼: yjw3。
第二種：看網站入門教程，很多人推薦的廖雪峰Python教程
第三種：視頻教程，推薦慕課網。其他還有網易云課堂，學堂在線（這個里邊大學課程比較多）

學寫一些基本的Python程序，上述《簡明 Python 教程》后邊的示例可以做。想更進一步掌握基礎，可以做一點leetcode easy題目練練手。（看個人情況唄，反正我是沒那個耐心，做題實在太枯燥，雖然寫題是很有好處的）

做一些感興趣的小項目，這里有Python習題100例，很基礎。覺得不夠高大上可以玩實驗樓里的項目，實驗樓是個不錯的網站，可以做一些很好玩的東西。

以上三步可以讓你21天精通Python喲

Tips：推薦一個神器，Python運行可視化，可以一步步查看程序運行狀態，變量狀態，函數調用，內存分配，對于理解變量生命周期，作用域，調試理解程序非常有幫助。
開發工具：推薦Pycharm，有免費社區版，也可用edu郵箱注冊專業版。

進階就是專注于Python的某個領域做深入研究了，Python主要包含了AI領域（NLP，深度學習，圖像處理啥的，反正無所不能），Web開發（后端服務，爬蟲），數據處理（數據分析，科學計算），工具（比如讀寫Excel，編寫自動化腳本），桌面開發（GUI工具）等等。
Python好強大啊，我又想寫Python了。

下面簡單寫寫我知道的領域的入門：

Python Web框架眾多，是建網站的利器。對于建立不太復雜的CMS系統（比如新聞網站，博客網站），Django強到沒朋友，開發效率無敵。對于注重靈活性的網站，Flask可以作為首選，靈活而小巧，非常優雅的框架。

Django入門先看官方文檔，了解基本概念。然后開始做實際項目，比如Django開發博客系統教程

Flask入門看官方文檔，同Django。

先科普，網絡爬蟲，可以理解為在網絡上爬行的一直蜘蛛，互聯網就比作一張大網，而爬蟲便是在這張網上爬來爬去的蜘蛛，如果它遇到資源，那么它就會抓取下來。比如它在抓取一個網頁，在這個網中他發現了一條道路，其實就是指向網頁的超鏈接，那么它就可以爬到另一張網上來獲取數據。簡單地說，利用程序從網頁上獲取你想要的數據。
Python的爬蟲框架非常多，也非常好用。
入門步驟：

理解網頁是怎么構成的
網頁的基本知識包括：
基本的HTML語言知識
理解網站的發包和收包的概念（POST GET）
稍微一點點的js知識，用于理解動態網頁

解析網頁，這里需要學習正則表達式

選取一個爬蟲框架，比如自帶的urllib，request，bs4等等

看官方文檔，如何使用框架，然后就可以養一只爬蟲咯。

教程點這里

上邊爬蟲講到如何獲取數據，這里將學習如何分析處理數據，教程鏈接。
科學計算，數據處理用到比較多的是matlab，無所不能的Python當然也可以替代它。
numpy pandas是科學運算當中最為重要的兩個模塊。Matplotlib 是一個非常強大的 Python 數據可視化工具，繪制各種圖形。

看官網文檔，理解這個庫的基本用法。

學習一些簡單的項目，上文提到的實驗樓也可以用

略
從別處引用一點基本介紹

Theano 是一種用于使用數列來定義和評估數學表達的 Python 庫。它可以讓 Python 中深度學習算法的編寫更為簡單。

Keras 是類似 Torch 的一個精簡的，高度模塊化的神經網絡庫。Theano 在底層幫助其優化 CPU 和 GPU 運行中的張量操作。

Pylearn2 是一個引用大量如隨機梯度（Stochastic Gradient）這樣的模型和訓練算法的庫。它在深度學習中被廣泛采用，這個庫也是以 Theano 為基礎的。

Lasagne 是一個輕量級的庫，它可以在 Theano 中建立和訓練神經網絡。它簡單、透明、模塊化、實用、專一而克制。

Blocks 是一種幫助你在 Theano 之上建立神經網絡模型的框架。

Caffe 是一種以表達清晰、高速和模塊化為理念建立起來的深度學習框架。它是由伯克利視覺和學習中心（BVLC）和網上社區貢獻者共同開發的。谷歌的 DeepDream 人工智能圖像處理程序正是建立在 Caffe 框架之上。這個框架是一個 BSD 許可的帶有 Python 接口的 C++庫。

nolearn 包含大量其他神經網絡庫中的包裝器和抽象（wrappers and abstractions），其中最值得注意的是 Lasagne，其中也包含一些機器學習的實用模塊。

Genism 是一個部署在 Python 編程語言中的深度學習工具包，用于通過高效的算法處理大型文本集。

CXXNET 是一種快速，簡明的分布式深度學習框架，它以 MShadow 為基礎。它是輕量級可擴展的 C++/CUDA 神經網絡工具包，同時擁有友好的 Python/Matlab 界面，可供機器學習的訓練和預測使用。

這里包含的東西太多了，基本學習方法如上。

鏈接：https://pan.baidu.com/s/1htRyqtY 密碼：nc1f

先來看看Python有多強大，不然不能被它所吸引，就學不下去了。
20行代碼實現人臉檢測與識別：
face_recognition可以通過python或者命令行即可實現人臉識別的功能。使用dlib深度學習人臉識別技術構建，在戶外臉部檢測數據庫基準（Labeled Faces in the Wild）上的準確率為99.38%。

# 導入識別庫
import face_recognition
# 加載已有的圖片作為圖像庫
known_obama_image = face_recognition.load_image_file("face1.jpg")
known_biden_image = face_recognition.load_image_file("face_kid.jpg")
# 編碼加載的圖片
obama_face_encoding = face_recognition.face_encodings(known_obama_image)[0]
biden_face_encoding = face_recognition.face_encodings(known_biden_image)[0]
known_encodings = [
    obama_face_encoding,
    biden_face_encoding
]
# 加載要識別的圖片并編碼
image_to_test = face_recognition.load_image_file("face2.jpg")
image_to_test_encoding = face_recognition.face_encodings(image_to_test)[0]
# 計算該圖片與已有圖片的差別值
face_distances = face_recognition.face_distance(known_encodings, image_to_test_encoding)
# 自行設定同一張面孔的分界值，輸出比對結果 
for i, face_distance in enumerate(face_distances):
    print("The test image has a distance of {:.2} from known image #{}".format(face_distance, i))
    print("- With a normal cutoff of 0.6, would the test image match the known image? {}".format(face_distance < 0.6))
    print("- With a very strict cutoff of 0.5, would the test image match the known image? {}".format(face_distance < 0.5))
    print()