❶ matlab 神經網路 怎麼用到web 項目中
第一，生成足夠大的樣本庫。
第二，把樣本庫輸入你已經建立的BP神經網路進行訓練。
第三，把你手寫的字放入BP神經網路，就可以識別出來。
多看經典的例子，總結。
❷ 什麼叫神經網路
南搞小孩給出基本的概念: 一.一些基本常識和原理 [什麼叫神經網路?] 人的思維有邏輯性和直觀性兩種不同的基本方式。邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串列模式進行邏輯推理；這一過程可以寫成串列的指令，讓計算機執行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點:1.信息是通過神經元上的興奮模式分布儲在網路上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。 人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。 [人工神經網路的工作原理] 人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對手寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。 所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。 如果輸出為「0」(即結果錯誤)，則把網路連接權值朝著減小綜合輸入加權值的方向調整，其目的在於使網路下次再遇到「A」模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網路輪番輸入若干個手寫字母「A」、「B」後，經過網路按以上學習方法進行若干次學習後，網路判斷的正確率將大大提高。這說明網路對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網路的各個連接權值上。當網路再次遇到其中任何一個模式時，能夠作出迅速、准確的判斷和識別。一般說來，網路中所含的神經元個數越多，則它能記憶、識別的模式也就越多。 南搞小孩一個小程序: 關於一個神經網路模擬程序的下載 人工神經網路實驗系統(BP網路) V1.0 Beta 作者:沈琦 http://emuch.net/html/200506/de24132.html 作者關於此程序的說明: 從輸出結果可以看到，前3條"學習"指令，使"輸出"神經元收斂到了值 0.515974。而後3條"學習"指令，其收斂到了值0.520051。再看看處理4和11的指令結果 P *Out1: 0.520051看到了嗎？ "大腦"識別出了4和11是屬於第二類的！怎麼樣?很神奇吧?再打show指令看看吧!"神經網路"已經形成了!你可以自己任意的設"模式"讓這個"大腦"學習分辯哦!只要樣本數據量充分(可含有誤差的樣本)，如果能夠在out數據上收斂地話，那它就能分辨地很准哦!有時不是絕對精確，因為它具有"模糊處理"的特性.看Process輸出的值接近哪個Learning的值就是"大腦"作出的"模糊性"判別! 南搞小孩神經網路研究社區: 人工神經網路論壇 http://www.youngfan.com/forum/index.php http://www.youngfan.com/nn/index.html(舊版,楓舞推薦) 國際神經網路學會(INNS)(英文) http://www.inns.org/ 歐洲神經網路學會(ENNS)(英文) http://www.snn.kun.nl/enns/ 亞太神經網路學會(APNNA)(英文) http://www.cse.cuhk.e.hk/~apnna 日本神經網路學會(JNNS)(日文) http://www.jnns.org 國際電氣工程師協會神經網路分會 http://www.ieee-nns.org/ 研學論壇神經網路 http://bbs.matwav.com/post/page?bid=8&sty=1&age=0 人工智慧研究者俱樂部 http://www.souwu.com/ 2nsoft人工神經網路中文站 http://211.156.161.210:8888/2nsoft/index.jsp =南搞小孩推薦部分書籍: 人工神經網路技術入門講稿(PDF) http://www.youngfan.com/nn/ann.pdf 神經網路FAQ(英文) http://www.youngfan.com/nn/FAQ/FAQ.html 數字神經網路系統(電子圖書) http://www.youngfan.com/nn/nnbook/director.htm 神經網路導論(英文) http://www.shef.ac.uk/psychology/gurney/notes/contents.html =南搞小孩還找到一份很有參考價值的講座 <前向網路的敏感性研究> http://www.youngfan.com/nn/mgx.ppt 是Powerpoint文件，比較大，如果網速不夠最好用滑鼠右鍵下載另存. 南搞小孩添言:很久之前，楓舞夢想智能機器人從自己手中誕生,SO在學專業的時候也有往這方面發展...考研的時候亦是朝著人工智慧的方向發展..但是很不幸的是楓舞考研失敗...SO 只好放棄這個美好的願望,為生活奔波.希望你能夠成為一個好的智能計算機工程師..楓舞已經努力的在給你提供條件資源哦~~
❸ 什麼是神經網路法
神經網路的介紹2006-10-23 14:58原文摘自:(http://www.cnweblog.com/alsan/articles/14621.html)
Introction
--------------------------------------------------------------------------------
神經網路是新技術領域中的一個時尚詞彙。很多人聽過這個詞，但很少人真正明白它是什麼。本文的目的是介紹所有關於神經網路的基本包括它的功能、一般結構、相關術語、類型及其應用。
「神經網路」這個詞實際是來自於生物學，而我們所指的神經網路正確的名稱應該是「人工神經網路（ANNs）」。在本文，我會同時使用這兩個互換的術語。
一個真正的神經網路是由數個至數十億個被稱為神經元的細胞（組成我們大腦的微小細胞）所組成，它們以不同方式連接而型成網路。人工神經網路就是嘗試模擬這種生物學上的體系結構及其操作。在這里有一個難題：我們對生物學上的神經網路知道的不多！因此，不同類型之間的神經網路體系結構有很大的不同，我們所知道的只是神經元基本的結構。
The neuron
--------------------------------------------------------------------------------
雖然已經確認在我們的大腦中有大約50至500種不同的神經元，但它們大部份都是基於基本神經元的特別細胞。基本神經元包含有synapses、soma、axon及dendrites。Synapses負責神經元之間的連接，它們不是直接物理上連接的，而是它們之間有一個很小的空隙允許電子訊號從一個神經元跳到另一個神經元。然後這些電子訊號會交給soma處理及以其內部電子訊號將處理結果傳遞給axon。而axon會將這些訊號分發給dendrites。最後，dendrites帶著這些訊號再交給其它的synapses，再繼續下一個循環。
如同生物學上的基本神經元，人工的神經網路也有基本的神經元。每個神經元有特定數量的輸入，也會為每個神經元設定權重（weight）。權重是對所輸入的資料的重要性的一個指標。然後，神經元會計算出權重合計值（net value），而權重合計值就是將所有輸入乘以它們的權重的合計。每個神經元都有它們各自的臨界值（threshold），而當權重合計值大於臨界值時，神經元會輸出1。相反，則輸出0。最後，輸出會被傳送給與該神經元連接的其它神經元繼續剩餘的計算。
Learning
--------------------------------------------------------------------------------
正如上述所寫，問題的核心是權重及臨界值是該如何設定的呢？世界上有很多不同的訓練方式，就如網路類型一樣多。但有些比較出名的包括back-propagation, delta rule及Kohonen訓練模式。
由於結構體系的不同，訓練的規則也不相同，但大部份的規則可以被分為二大類別 - 監管的及非監管的。監管方式的訓練規則需要「教師」告訴他們特定的輸入應該作出怎樣的輸出。然後訓練規則會調整所有需要的權重值（這是網路中是非常復雜的），而整個過程會重頭開始直至數據可以被網路正確的分析出來。監管方式的訓練模式包括有back-propagation及delta rule。非監管方式的規則無需教師，因為他們所產生的輸出會被進一步評估。
Architecture
--------------------------------------------------------------------------------
在神經網路中，遵守明確的規則一詞是最「模糊不清」的。因為有太多不同種類的網路，由簡單的布爾網路（Perceptrons），至復雜的自我調整網路（Kohonen），至熱動態性網路模型（Boltzmann machines）！而這些，都遵守一個網路體系結構的標准。
一個網路包括有多個神經元「層」，輸入層、隱蔽層及輸出層。輸入層負責接收輸入及分發到隱蔽層（因為用戶看不見這些層，所以見做隱蔽層）。這些隱蔽層負責所需的計算及輸出結果給輸出層，而用戶則可以看到最終結果。現在，為免混淆，不會在這里更深入的探討體系結構這一話題。對於不同神經網路的更多詳細資料可以看Generation5 essays
盡管我們討論過神經元、訓練及體系結構，但我們還不清楚神經網路實際做些什麼。
The Function of ANNs
--------------------------------------------------------------------------------
神經網路被設計為與圖案一起工作 - 它們可以被分為分類式或聯想式。分類式網路可以接受一組數，然後將其分類。例如ONR程序接受一個數字的影象而輸出這個數字。或者PPDA32程序接受一個坐標而將它分類成A類或B類（類別是由所提供的訓練決定的）。更多實際用途可以看Applications in the Military中的軍事雷達，該雷達可以分別出車輛或樹。
聯想模式接受一組數而輸出另一組。例如HIR程序接受一個『臟』圖像而輸出一個它所學過而最接近的一個圖像。聯想模式更可應用於復雜的應用程序，如簽名、面部、指紋識別等。
The Ups and Downs of Neural Networks
--------------------------------------------------------------------------------
神經網路在這個領域中有很多優點，使得它越來越流行。它在類型分類/識別方面非常出色。神經網路可以處理例外及不正常的輸入數據，這對於很多系統都很重要（例如雷達及聲波定位系統）。很多神經網路都是模仿生物神經網路的，即是他們仿照大腦的運作方式工作。神經網路也得助於神經系統科學的發展，使它可以像人類一樣准確地辨別物件而有電腦的速度！前途是光明的，但現在...
是的，神經網路也有些不好的地方。這通常都是因為缺乏足夠強大的硬體。神經網路的力量源自於以並行方式處理資訊，即是同時處理多項數據。因此，要一個串列的機器模擬並行處理是非常耗時的。
神經網路的另一個問題是對某一個問題構建網路所定義的條件不足 - 有太多因素需要考慮：訓練的演算法、體系結構、每層的神經元個數、有多少層、數據的表現等，還有其它更多因素。因此，隨著時間越來越重要，大部份公司不可能負擔重復的開發神經網路去有效地解決問題。
Conclusion
--------------------------------------------------------------------------------
希望您可以通過本文對神經網路有基本的認識。Generation5現在有很多關於神經網路的資料可以查閱，包括文章及程序。我們有Hopfield、perceptrons（2個）網路的例子，及一些back-propagation個案研究。
Glossary
--------------------------------------------------------------------------------
NN 神經網路，Neural Network
ANNs 人工神經網路，Artificial Neural Networks
neurons 神經元
synapses 神經鍵
self-organizing networks 自我調整網路
networks modelling thermodynamic properties 熱動態性網路模型
❹ 請教web和internet的異同
web和internet的異同（區別）：
1、屬性不同：
web是網頁，web屬於分布式圖形信息系統和和建立在Internet上的一種網路服務；
Internet是網路，屬於信息資源和資源共享的一種集合。
2、組成不同：
web是萬維網，由文檔及超級鏈接將Internet上的信息節點組織而成。
internet是網際網路，由多個計算機網路互連而成；
3、採用的組織方式不同：
Internet採用超文本和超媒體的信息組織方式；
web採用了超文本連接組織方式。
(4)web程序神經網路擴展閱讀
一、Internet的特點：
1、Internet是一個全球計算機互聯網路、一個巨大的信息資料庫。
2、Internet類似於一個大家庭，有幾千萬人參與，共同享用著人類自己創造的財富（即資源）。
二、Web的特點：
1、Web可以在一頁上同時顯示文本的性能和色彩豐富的圖形。
2、各Web站點的信息包含站點本身的信息，信息的提供者可以經常對站上的信息進行更新
3、Web的信息是分布式的，信息都放在不同的站點上，只需要在瀏覽器中指明這個站點就可以知道信息的多少。
❺ WWW.web和internet 的區別
再加個network吧。
其實在漢語裡面大家都會認為成網路。但是在英文裡面就區分的很明顯。他們三個是完全不同的概念。
首先，network最廣，就是漢語裡面最廣的「網路"，應該自己可以明白，就是各種電網、神經網路等。
其次，是internet，是網際網路也叫互聯網，它是1969年出現的，是一個屬於信息資源的網路總稱。
再次，是web，web是1994年才出現的。web是一個引起公眾注意的網際網路的應用，注意只是網際網路的一個應用。它將網際網路從只是很多數據網之一的地位提升為僅有的一個數據網。
之前看過有人解釋說web就是頁面，internet是網路，然後下面還有十個人贊的...我覺得很無語....web是項應用，怎麼就成頁面了...web有web頁面這個概念，但是也有web伺服器等各種概念啊...只說web是個頁面還有十個贊的....~~~~(>_<)~~~~ 好吧...無語
❻ 神經網路的工作原理
「人腦是如何工作的？」
「人類能否製作模擬人腦的人工神經元？」
多少年以來，人們從醫學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協同學等各個角度企圖認識並解答上述問題。在尋找上述問題答案的研究過程中，逐漸形成了一個新興的多學科交叉技術領域，稱之為「神經網路」。神經網路的研究涉及眾多學科領域，這些領域互相結合、相互滲透並相互推動。不同領域的科學家又從各自學科的興趣與特色出發，提出不同的問題，從不同的角度進行研究。
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對於寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。
普通計算機的功能取決於程序中給出的知識和能力。顯然，對於智能活動要通過總結編製程序將十分困難。
人工神經網路也具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網路因學習方式及內容不同可具有不同的功能。人工神經網路是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標准進行分類或模仿；另一種是無監督學習或稱無為導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境 （即輸入信號情況）而異，系統可以自動發現環境特徵和規律性，具有更近似人腦的功能。
神經網路就像是一個愛學習的孩子，您教她的知識她是不會忘記而且會學以致用的。我們把學習集（Learning Set）中的每個輸入加到神經網路中，並告訴神經網路輸出應該是什麼分類。在全部學習集都運行完成之後，神經網路就根據這些例子總結出她自己的想法，到底她是怎麼歸納的就是一個黑盒了。之後我們就可以把測試集（Testing Set）中的測試例子用神經網路來分別作測試，如果測試通過（比如80%或90%的正確率），那麼神經網路就構建成功了。我們之後就可以用這個神經網路來判斷事務的分類了。
神經網路是通過對人腦的基本單元——神經元的建模和聯接，探索模擬人腦神經系統功能的模型，並研製一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。神經網路的一個重要特性是它能夠從環境中學習，並把學習的結果分布存儲於網路的突觸連接中。神經網路的學習是一個過程，在其所處環境的激勵下，相繼給網路輸入一些樣本模式，並按照一定的規則（學習演算法）調整網路各層的權值矩陣，待網路各層權值都收斂到一定值，學習過程結束。然後我們就可以用生成的神經網路來對真實數據做分類。
人工神經網路早期的研究工作應追溯至20世紀40年代。下面以時間順序，以著名的人物或某一方面突出的研究成果為線索，簡要介紹
❼ 神經網路程序的解釋
p=[];t=[];%表訓練神經網路的訓練樣本，一個輸入一個輸出。net=newff(minmax(p),[10,1],{'tansig','purelin'},'traingdm');%表創建兩層神經網路，第一層10個神經元，輸出層1個神經元，'tansig','purelin'表各層神經網路的激勵函數。 iw=net.IW{1,1};
ib=net.b{1}; lw=net.LW{2,1}; lb=net.b{2};%表示對各層神經網路的權值與閾值傳遞到相應變數。net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.mc=0.9;
net.trainParam.epochs=10000;
net.trainParam.goal=1e-3;
net.trainParam.goal=1e-3;
%表對神經網路訓練參數設置
[net,tr]=train(net,p,t);%對神經網路進行訓練
a=sim(net,p);對神經網路進行模擬，輸出值傳遞給a
你看是否滿意？
❽ Python 如何開發高效漂亮的輕量級 Web 應用
痛點
從我開始折騰數據分析工具的那一天，就沒有想明白一件事兒 —— 我打算把數據分析的成果做成一個 Web 應用，為什麼這么難？
我需要的核心功能，無非是在網頁上接收用戶輸入，然後做分析處理，把分析結果反饋給用戶，完事兒。
可是這談何容易？
很多人都會微笑著告訴你，想做 Web 應用？這得學前端編程， HTML + Javascript 了解一下吧！
什麼？你還需要在後台做數據分析？那你就得學 Web 框架了。
你說喜歡 Python ？那就學個 Django 或者 Flask 好了。
我也不是沒有看過 Django 和 Flask 的教程，還曾經付費學習過。光是 Django 配置環境，就夠寫一章出來。
作為學習的中間成果，我還寫了這篇《如何用 Python 做 Web 開發？——Django 環境配置》分享給你。
真正讓我痛苦的，不是 Web 框架的操作有多麼瑣碎，而是教程里的案例，為什麼都那麼奇怪？
幾乎所有的教程，都指向一個目標：
來，我教你做一個 blog 出來！
我用你教？！
我要是想用 blog ，可以直接注冊一個免費的啊！為什麼我要自己開發個 blog 出來？
為什麼你就不能告訴我，該怎麼把我目前的數據分析結果，迅速挪到 Web 頁面上，跟用戶實時交互？
雖然二者的結果，都是做一個 Web 應用出來。但是，它們關注的焦點，需要的功能，能一樣嗎？
但是人家寫書和做教程的人，就是不疾不徐，堅持一定要教會你，如何做一個 blog 出來……
你不學，又能怎麼辦呢？你難道想只憑 Python 腳本，就做一個 Web 應用出來？
還真別說，最近，這個事兒從幻想，變成了現實。
樣例
這不，我就用純 Python 腳本寫了個 Web 應用。
我編寫的代碼里，沒有一絲半毫的 Web 框架，Javascript，甚至是 HTML 。
這玩意兒能用嗎？
你自己來試試看。
請你打開瀏覽器，輸入以下鏈接：https://helloworld-streamlit.herokuapp.com/
你會看到下面的初始化界面。
初始化完畢之後，頁面會分成左右兩欄。左面是兩個下拉候選框，分別讓你指定需要分析的數據范圍。
上面一個，是事件類型；
下面一個，是事件發生歸屬地。
如果你看過我的文章《如何用 Python 和循環神經網路預測嚴重交通擁堵？》，應該對這個數據集很熟悉。
只不過，當時我們更注重的，是用循環神經網路搭建了一個嚴重擁堵事件預測模型。
而今天，我們是要進行探索性數據分析，也就是根據我們感興趣的目標，對數據進行整理操作，然後可視化顯示。
選定之後，你會看到右側提示兩個信息：
你篩選之後，數據框包含行數
在層疊地圖上的可視化結果。
怎麼樣？
麻雀雖小，五臟俱全。
雖然咱們這個 Web 應用很簡單，不過交互分析該有的功能和流程，基本上都涵蓋了。
你可能會問：
王老師，編這么一個應用出來，不簡單吧？
讓我帶你到幕後，看看是不是很復雜。
幕後
我把這個應用的全部源代碼，都為你存儲到了 Github 上。請你訪問這個網址獲取：https://github.com/wshuyi/demo-helloworld-streamlit
可以看到，一共包含了 4 個文件。
有意思的是，其中 3 個，包括：
Procfile
setup.sh
requirements.txt
都只是部署到遠程伺服器時，需要用到的配置文件而已。
也就是說，只有最後一個helloworld.py是主角，它包含了實現咱們全部互動式數據分析功能的 Python 腳本文件。
這代碼，少說也得有幾百行吧？
別擔心，打開來看看：
上面這張截圖，就已經包含了實現交互數據分析功能的全部代碼。
神奇吧？
解讀
這么短的代碼，為什麼能有如此強大的功能？
這是因為它背後使用的一個軟體包，叫做streamlit。
它是干什麼用的？
一言以蔽之，給你賦能，讓你能夠不去操心什麼前端後端。只寫 Python ，只關注功能，你就能寫出一個互動式 Web 應用出來。
當然，既然最後是 Web 應用，那麼實際上前後端的功能都是齊備的。
只不過，這些交由 Streamlit 來幫你費心操辦。你根本不用管。
爆發
為什麼會有人做了這么一款神器出來？
原因很簡單，咱們前面提到的痛點，是大夥兒都有的。
咱們這些麻瓜（Muggle），遇到痛點只能忍著。
但是真正的魔法師（優秀程序員），是忍不了的。
在這段來自 PyData LA 2019 的視頻里，Streamlit 的 CEO Adrien Treuille 談及了他在數據智能企業中，長期遭遇的痛點。
最大的痛點，就是數據科學家訓練好機器學習模型後，需要驗證效果，和用戶反饋溝通。
但是，做機器學習的工程師本身，並不掌握這一整套的工具棧。
所以，就得在把全部的數據分析和模型訓練工作完成後，把這東西移交給一個工具製作團隊。
人家做完以後，就告訴數據科學團隊說，做好了。但是注意，現在處於需求凍結階段。這個應用你們可以隨便用，只是別亂改。改壞了我們管不了。因為最近兩個月，我們還得給其他若干數據分析團隊做 app 。大概幾個月以後，我們又能回來幫助你們了……
Adrien Treuille 很敏銳地捕捉到了這個長期痛點，於是在 2018 年， 創立了 streamlit 。
目標很簡單，給數據科學團隊提供簡單的工具，讓他們使用已經掌握的 Python 編程技能，就能直接做 Web 應用。
什麼 「等上兩三個月不許改」？！你們自己慢慢兒玩兒去吧，我們想怎麼改，就怎麼改！
至於做出來的東西嘛，可以是這樣的：
資源
看到這里，是不是心動了？也打算學習一下 Streamlit ？
沒問題，我前面給你提供的樣例，就在 github 上，你可以直接查看源碼。
如果你希望重現這個小應用，並且一步步學習掌握 Streamlit 的基礎知識和技能，我也已經為你寫好了一份手把手的教程。地址在這里https://sspai.com/post/58474。
它不僅教你如何設置環境，安裝工具，寫作代碼，甚至連如何免費部署到 heroku 平台，讓用戶使用，都毫無保留地教給了你。
那篇文章，我用於參加少數派年度徵文活動，所以就不能全文展示在這里了。
讀完以後，如果你覺得有收獲，歡迎在少數派平台上幫我點個贊。謝謝支持！
思考
嘗試過之後，你應該不難發現，Streamlit 給你帶來了什麼。
如果你學過 Javascript 和 Flask, Django 等 Web 應用開發技術，Streamlit 可以加快你的 Web 應用開發與測試進程。
如果你還沒有學過上述技術， Streamlit 可以給你賦能，讓你一下子有了把數據分析結果變成產品的能力。
給你講點兒更激進的。
有人已經希望能用它替代掉 Flask 用於產品發布了。
還有人說，將來寫技術文檔，也應該充分使用 Streamlit 。
甚至，還把它比作了數據科學界的 iPhone 。
這里，它是借喻 iPhone 開啟智能手機時代，說明 Streamlit 的劃時代性。
我不希望你也變得如此激進。
因為這里提到的每一種功用，現在還都有非常專業的工具做的更好，而且新的工具也在不斷涌現。
例如說，我們在多個教程中一直使用 Jupyter Notebook 。
現在憑借 Voila 擴展的加持，你也可以很輕松地把 Jupyter Notebook 變成 Web app ，而且可以免費運行在 mybinder 上面。
但是，你可以看到，一個新的工具，以一種簡單，而不是更繁復的辦法，解決一個功能痛點，是一件多麼令人欣喜的事兒。
看了這篇文章，可能會給你一種誤解，似乎 JavaScript 為代表的前端編程技術，再也不需要學了。
其實不是這樣的。
可以想像，開發門檻降低以後，將來會有更多的人使用 Python 來做 Web 應用。
用 Streamlit 這樣的方法，他們只是開發出了一個原型。
要是想打造精品，就必須精細調控很多細節。
這時候， 如果你精通 Javascript ，那你潛在的合作對象一下子就多了起來，你掌握的這門技術，也就有了更大的價值。
還記得嗎？我不止一次給你強調過，比起一個工具自身的能力來，協作網路更重要。忘了的話，記得復習《學 Python ，能提升你的競爭力嗎？》。
這就好像印刷術的發明，不是讓會寫字這件事兒變得失去價值，而是全社會都增大了對好作品的渴求。深刻的思考，加上有效的文字表達，會讓你生存得更好。
當然，如果你不希望精通寫作技藝，只是想做一個抄書匠糊口。那麼印刷術就可能會替代你的工作，結果就不那麼美妙了。
小結
這篇文章，我為你介紹了 Streamlit 這款有趣的工具。希望你讀過之後，掌握了以下知識點：
藉助 Streamlit ，你可以用純 Python 編制 Web 應用；
學 Web 設計依然很有前途，因為你的潛在合作群體正在迅速擴大；
不要惹魔法師（優秀程序員）。他們的痛點需求會轉化成無盡的戰鬥力，興許會直接替掉你的日常工作。
更多Python知識，請關註：Python自學網！！
❾ Internet 和web的區別
再加個network吧。
其實在漢語裡面大家都會認為成網路。但是在英文裡面就區分的很明顯。他們三個是完全不同的概念。
首先，network最廣，就是漢語裡面最廣的「網路"，應該自己可以明白，就是各種電網、神經網路等。
其次，是internet，是網際網路也叫互聯網，它是1969年出現的，是一個屬於信息資源的網路總稱。
再次，是web，web是1994年才出現的。web是一個引起公眾注意的網際網路的應用，注意只是網際網路的一個應用。它將網際網路從只是很多數據網之一的地位提升為僅有的一個數據網。
之前看過有人解釋說web就是頁面，internet是網路，然後下面還有十個人贊的...我覺得很無語....web是項應用，怎麼就成頁面了...web有web頁面這個概念，但是也有web伺服器等各種概念啊...只說web是個頁面還有十個贊的....~~~~(>_<)~~~~ 好吧...無語