比特币符文是比特币链上新资产发行的协议，它允许使用比特币交易来发行、铸造和转移比特币原生的数字货币。

铭文是在单个聪上铭刻任意内容，创建独特的比特币原生数字收藏的协议。

中本聪(satoshis)，这里简称聪，是比特币网络的原子原生货币。一个比特币可以细分为1亿个聪，并且不能再继续细分。

序数理论关注的是中本聪，赋予聪个体身份，并允许它们被追踪、转移和赋予意义。

ImageNet LSVRC-2010、2012冠军网络。由5个卷积层（其中一些卷积层后面是max-pooling层），3个直连层，以及最后一个输出为1000维向量的softmax层组成。为了防止过拟合，AlexNet在直连层的后面添加了dropout层。

深度学习目前在各个领域，尤其是图像和语音领域上，表现远超传统方法，靠的是卷积神经网络这个特殊的神经网络，卷积神经网络和普通神经网络的区别主要在于其深度以及特殊的层上，而其核心的层则是卷积层和池化层。

前面我们已经了解神经网络的各个组成部分，以及一些基本的层，比如全连接层，ReLU层等，现在是时候开始搭建一个简单的神经网络了!

Swift 的特点

• 命名参数
• 类型推断
• 消除头文件，提供命名空间
• 自动管理里内存
• 语句末不需要添加分号
• 闭包和函数指针统一
• Tuples和多个返回值
• 泛型
• 快速精确遍历范围或者集合
• 结构体支持methods, extensions, and protocols
• 函数型的编程模式，比如map和filter
• 使用try/catch/throw的原生的错误捕捉

神经网络通常由输入层（数据层）、全连接层、激活层、正规化层、以及损失层组成。其中的全连接层，激活层和正规化层又称为隐藏层。下面分别介绍。

机器学习的目标是获得一组最优的参数，这些参数决定了评分函数，因此我们要找一个最优的评分函数。实际上通过引入损失函数，我们可以通过最小化损失函数来不断更新评分函数的参数，具体来说，机器学习可以通过一种迭代的技术，使得每一步的迭代之后，损失函数的输出都能减小，因此在有限步迭代之后，损失函数就能达到最小值点（当然这是一个局部最小值）。在每一次迭代之后，我们都会根据损失函数的输出更新评分函数的参数，这样就达到了学习的目的。

损失函数定义了机器学习的目标，是构建机器学习结构十分重要的一环。通常，损失函数包含数据损失(data loss)和正则化损失(regularization loss)，前者约束评分函数预测的结果要和真实结果尽可能相近，后者约束的是评分函数的参数要尽可能简单，避免过复杂的模型。对于不同的任务（分类、回归等），需要设计不同类型的损失函数，当然使用最多的损失函数就只有常见的几种，下面分别介绍。