❶ matlab 神经网络 怎么用到web 项目中
第一，生成足够大的样本库。
第二，把样本库输入你已经建立的BP神经网络进行训练。
第三，把你手写的字放入BP神经网络，就可以识别出来。
多看经典的例子，总结。
❷ 什么叫神经网络
南搞小孩给出基本的概念: 一.一些基本常识和原理 [什么叫神经网络?] 人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 [人工神经网络的工作原理] 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。 如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 南搞小孩一个小程序: 关于一个神经网络模拟程序的下载 人工神经网络实验系统(BP网络) V1.0 Beta 作者:沈琦 http://emuch.net/html/200506/de24132.html 作者关于此程序的说明: 从输出结果可以看到，前3条"学习"指令，使"输出"神经元收敛到了值 0.515974。而后3条"学习"指令，其收敛到了值0.520051。再看看处理4和11的指令结果 P *Out1: 0.520051看到了吗？ "大脑"识别出了4和11是属于第二类的！怎么样?很神奇吧?再打show指令看看吧!"神经网络"已经形成了!你可以自己任意的设"模式"让这个"大脑"学习分辩哦!只要样本数据量充分(可含有误差的样本)，如果能够在out数据上收敛地话，那它就能分辨地很准哦!有时不是绝对精确，因为它具有"模糊处理"的特性.看Process输出的值接近哪个Learning的值就是"大脑"作出的"模糊性"判别! 南搞小孩神经网络研究社区: 人工神经网络论坛 http://www.youngfan.com/forum/index.php http://www.youngfan.com/nn/index.html(旧版,枫舞推荐) 国际神经网络学会(INNS)(英文) http://www.inns.org/ 欧洲神经网络学会(ENNS)(英文) http://www.snn.kun.nl/enns/ 亚太神经网络学会(APNNA)(英文) http://www.cse.cuhk.e.hk/~apnna 日本神经网络学会(JNNS)(日文) http://www.jnns.org 国际电气工程师协会神经网络分会 http://www.ieee-nns.org/ 研学论坛神经网络 http://bbs.matwav.com/post/page?bid=8&sty=1&age=0 人工智能研究者俱乐部 http://www.souwu.com/ 2nsoft人工神经网络中文站 http://211.156.161.210:8888/2nsoft/index.jsp =南搞小孩推荐部分书籍: 人工神经网络技术入门讲稿(PDF) http://www.youngfan.com/nn/ann.pdf 神经网络FAQ(英文) http://www.youngfan.com/nn/FAQ/FAQ.html 数字神经网络系统(电子图书) http://www.youngfan.com/nn/nnbook/director.htm 神经网络导论(英文) http://www.shef.ac.uk/psychology/gurney/notes/contents.html =南搞小孩还找到一份很有参考价值的讲座 <前向网络的敏感性研究> http://www.youngfan.com/nn/mgx.ppt 是Powerpoint文件，比较大，如果网速不够最好用鼠标右键下载另存. 南搞小孩添言:很久之前，枫舞梦想智能机器人从自己手中诞生,SO在学专业的时候也有往这方面发展...考研的时候亦是朝着人工智能的方向发展..但是很不幸的是枫舞考研失败...SO 只好放弃这个美好的愿望,为生活奔波.希望你能够成为一个好的智能计算机工程师..枫舞已经努力的在给你提供条件资源哦~~
❸ 什么是神经网络法
神经网络的介绍2006-10-23 14:58原文摘自:(http://www.cnweblog.com/alsan/articles/14621.html)
Introction
--------------------------------------------------------------------------------
神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。
“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。
一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。
The neuron
--------------------------------------------------------------------------------
虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。基本神经元包含有synapses、soma、axon及dendrites。Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。
如同生物学上的基本神经元，人工的神经网络也有基本的神经元。每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。然后，神经元会计算出权重合计值（net value），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。
Learning
--------------------------------------------------------------------------------
正如上述所写，问题的核心是权重及临界值是该如何设定的呢？世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation, delta rule及Kohonen训练模式。
由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别 - 监管的及非监管的。监管方式的训练规则需要“教师”告诉他们特定的输入应该作出怎样的输出。然后训练规则会调整所有需要的权重值（这是网络中是非常复杂的），而整个过程会重头开始直至数据可以被网络正确的分析出来。监管方式的训练模式包括有back-propagation及delta rule。非监管方式的规则无需教师，因为他们所产生的输出会被进一步评估。
Architecture
--------------------------------------------------------------------------------
在神经网络中，遵守明确的规则一词是最“模糊不清”的。因为有太多不同种类的网络，由简单的布尔网络（Perceptrons），至复杂的自我调整网络（Kohonen），至热动态性网络模型（Boltzmann machines）！而这些，都遵守一个网络体系结构的标准。
一个网络包括有多个神经元“层”，输入层、隐蔽层及输出层。输入层负责接收输入及分发到隐蔽层（因为用户看不见这些层，所以见做隐蔽层）。这些隐蔽层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。现在，为免混淆，不会在这里更深入的探讨体系结构这一话题。对于不同神经网络的更多详细资料可以看Generation5 essays
尽管我们讨论过神经元、训练及体系结构，但我们还不清楚神经网络实际做些什么。
The Function of ANNs
--------------------------------------------------------------------------------
神经网络被设计为与图案一起工作 - 它们可以被分为分类式或联想式。分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。更多实际用途可以看Applications in the Military中的军事雷达，该雷达可以分别出车辆或树。
联想模式接受一组数而输出另一组。例如HIR程序接受一个‘脏’图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。
The Ups and Downs of Neural Networks
--------------------------------------------------------------------------------
神经网络在这个领域中有很多优点，使得它越来越流行。它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在...
是的，神经网络也有些不好的地方。这通常都是因为缺乏足够强大的硬件。神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。
神经网络的另一个问题是对某一个问题构建网络所定义的条件不足 - 有太多因素需要考虑：训练的算法、体系结构、每层的神经元个数、有多少层、数据的表现等，还有其它更多因素。因此，随着时间越来越重要，大部份公司不可能负担重复的开发神经网络去有效地解决问题。
Conclusion
--------------------------------------------------------------------------------
希望您可以通过本文对神经网络有基本的认识。Generation5现在有很多关于神经网络的资料可以查阅，包括文章及程序。我们有Hopfield、perceptrons（2个）网络的例子，及一些back-propagation个案研究。
Glossary
--------------------------------------------------------------------------------
NN 神经网络，Neural Network
ANNs 人工神经网络，Artificial Neural Networks
neurons 神经元
synapses 神经键
self-organizing networks 自我调整网络
networks modelling thermodynamic properties 热动态性网络模型
❹ 请教web和internet的异同
web和internet的异同（区别）：
1、属性不同：
web是网页，web属于分布式图形信息系统和和建立在Internet上的一种网络服务；
Internet是网络，属于信息资源和资源共享的一种集合。
2、组成不同：
web是万维网，由文档及超级链接将Internet上的信息节点组织而成。
internet是因特网，由多个计算机网络互连而成；
3、采用的组织方式不同：
Internet采用超文本和超媒体的信息组织方式；
web采用了超文本连接组织方式。
(4)web程序神经网络扩展阅读
一、Internet的特点：
1、Internet是一个全球计算机互联网络、一个巨大的信息资料库。
2、Internet类似于一个大家庭，有几千万人参与，共同享用着人类自己创造的财富（即资源）。
二、Web的特点：
1、Web可以在一页上同时显示文本的性能和色彩丰富的图形。
2、各Web站点的信息包含站点本身的信息，信息的提供者可以经常对站上的信息进行更新
3、Web的信息是分布式的，信息都放在不同的站点上，只需要在浏览器中指明这个站点就可以知道信息的多少。
❺ WWW.web和internet 的区别
再加个network吧。
其实在汉语里面大家都会认为成网络。但是在英文里面就区分的很明显。他们三个是完全不同的概念。
首先，network最广，就是汉语里面最广的“网络"，应该自己可以明白，就是各种电网、神经网络等。
其次，是internet，是因特网也叫互联网，它是1969年出现的，是一个属于信息资源的网络总称。
再次，是web，web是1994年才出现的。web是一个引起公众注意的因特网的应用，注意只是因特网的一个应用。它将因特网从只是很多数据网之一的地位提升为仅有的一个数据网。
之前看过有人解释说web就是页面，internet是网络，然后下面还有十个人赞的...我觉得很无语....web是项应用，怎么就成页面了...web有web页面这个概念，但是也有web服务器等各种概念啊...只说web是个页面还有十个赞的....~~~~(>_<)~~~~ 好吧...无语
❻ 神经网络的工作原理
“人脑是如何工作的？”
“人类能否制作模拟人脑的人工神经元？”
多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
神经网络就像是一个爱学习的孩子，您教她的知识她是不会忘记而且会学以致用的。我们把学习集（Learning Set）中的每个输入加到神经网络中，并告诉神经网络输出应该是什么分类。在全部学习集都运行完成之后，神经网络就根据这些例子总结出她自己的想法，到底她是怎么归纳的就是一个黑盒了。之后我们就可以把测试集（Testing Set）中的测试例子用神经网络来分别作测试，如果测试通过（比如80%或90%的正确率），那么神经网络就构建成功了。我们之后就可以用这个神经网络来判断事务的分类了。
神经网络是通过对人脑的基本单元——神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。神经网络的一个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则（学习算法）调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程结束。然后我们就可以用生成的神经网络来对真实数据做分类。
人工神经网络早期的研究工作应追溯至20世纪40年代。下面以时间顺序，以着名的人物或某一方面突出的研究成果为线索，简要介绍
❼ 神经网络程序的解释
p=[];t=[];%表训练神经网络的训练样本，一个输入一个输出。net=newff(minmax(p),[10,1],{'tansig','purelin'},'traingdm');%表创建两层神经网络，第一层10个神经元，输出层1个神经元，'tansig','purelin'表各层神经网络的激励函数。 iw=net.IW{1,1};
ib=net.b{1}; lw=net.LW{2,1}; lb=net.b{2};%表示对各层神经网络的权值与阈值传递到相应变量。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;
%表对神经网络训练参数设置
[net,tr]=train(net,p,t);%对神经网络进行训练
a=sim(net,p);对神经网络进行仿真，输出值传递给a
你看是否满意？
❽ Python 如何开发高效漂亮的轻量级 Web 应用
痛点
从我开始折腾数据分析工具的那一天，就没有想明白一件事儿 —— 我打算把数据分析的成果做成一个 Web 应用，为什么这么难？
我需要的核心功能，无非是在网页上接收用户输入，然后做分析处理，把分析结果反馈给用户，完事儿。
可是这谈何容易？
很多人都会微笑着告诉你，想做 Web 应用？这得学前端编程， HTML + Javascript 了解一下吧！
什么？你还需要在后台做数据分析？那你就得学 Web 框架了。
你说喜欢 Python ？那就学个 Django 或者 Flask 好了。
我也不是没有看过 Django 和 Flask 的教程，还曾经付费学习过。光是 Django 配置环境，就够写一章出来。
作为学习的中间成果，我还写了这篇《如何用 Python 做 Web 开发？——Django 环境配置》分享给你。
真正让我痛苦的，不是 Web 框架的操作有多么琐碎，而是教程里的案例，为什么都那么奇怪？
几乎所有的教程，都指向一个目标：
来，我教你做一个 blog 出来！
我用你教？！
我要是想用 blog ，可以直接注册一个免费的啊！为什么我要自己开发个 blog 出来？
为什么你就不能告诉我，该怎么把我目前的数据分析结果，迅速挪到 Web 页面上，跟用户实时交互？
虽然二者的结果，都是做一个 Web 应用出来。但是，它们关注的焦点，需要的功能，能一样吗？
但是人家写书和做教程的人，就是不疾不徐，坚持一定要教会你，如何做一个 blog 出来……
你不学，又能怎么办呢？你难道想只凭 Python 脚本，就做一个 Web 应用出来？
还真别说，最近，这个事儿从幻想，变成了现实。
样例
这不，我就用纯 Python 脚本写了个 Web 应用。
我编写的代码里，没有一丝半毫的 Web 框架，Javascript，甚至是 HTML 。
这玩意儿能用吗？
你自己来试试看。
请你打开浏览器，输入以下链接：https://helloworld-streamlit.herokuapp.com/
你会看到下面的初始化界面。
初始化完毕之后，页面会分成左右两栏。左面是两个下拉候选框，分别让你指定需要分析的数据范围。
上面一个，是事件类型；
下面一个，是事件发生归属地。
如果你看过我的文章《如何用 Python 和循环神经网络预测严重交通拥堵？》，应该对这个数据集很熟悉。
只不过，当时我们更注重的，是用循环神经网络搭建了一个严重拥堵事件预测模型。
而今天，我们是要进行探索性数据分析，也就是根据我们感兴趣的目标，对数据进行整理操作，然后可视化显示。
选定之后，你会看到右侧提示两个信息：
你筛选之后，数据框包含行数
在层叠地图上的可视化结果。
怎么样？
麻雀虽小，五脏俱全。
虽然咱们这个 Web 应用很简单，不过交互分析该有的功能和流程，基本上都涵盖了。
你可能会问：
王老师，编这么一个应用出来，不简单吧？
让我带你到幕后，看看是不是很复杂。
幕后
我把这个应用的全部源代码，都为你存储到了 Github 上。请你访问这个网址获取：https://github.com/wshuyi/demo-helloworld-streamlit
可以看到，一共包含了 4 个文件。
有意思的是，其中 3 个，包括：
Procfile
setup.sh
requirements.txt
都只是部署到远程服务器时，需要用到的配置文件而已。
也就是说，只有最后一个helloworld.py是主角，它包含了实现咱们全部交互式数据分析功能的 Python 脚本文件。
这代码，少说也得有几百行吧？
别担心，打开来看看：
上面这张截图，就已经包含了实现交互数据分析功能的全部代码。
神奇吧？
解读
这么短的代码，为什么能有如此强大的功能？
这是因为它背后使用的一个软件包，叫做streamlit。
它是干什么用的？
一言以蔽之，给你赋能，让你能够不去操心什么前端后端。只写 Python ，只关注功能，你就能写出一个交互式 Web 应用出来。
当然，既然最后是 Web 应用，那么实际上前后端的功能都是齐备的。
只不过，这些交由 Streamlit 来帮你费心操办。你根本不用管。
爆发
为什么会有人做了这么一款神器出来？
原因很简单，咱们前面提到的痛点，是大伙儿都有的。
咱们这些麻瓜（Muggle），遇到痛点只能忍着。
但是真正的魔法师（优秀程序员），是忍不了的。
在这段来自 PyData LA 2019 的视频里，Streamlit 的 CEO Adrien Treuille 谈及了他在数据智能企业中，长期遭遇的痛点。
最大的痛点，就是数据科学家训练好机器学习模型后，需要验证效果，和用户反馈沟通。
但是，做机器学习的工程师本身，并不掌握这一整套的工具栈。
所以，就得在把全部的数据分析和模型训练工作完成后，把这东西移交给一个工具制作团队。
人家做完以后，就告诉数据科学团队说，做好了。但是注意，现在处于需求冻结阶段。这个应用你们可以随便用，只是别乱改。改坏了我们管不了。因为最近两个月，我们还得给其他若干数据分析团队做 app 。大概几个月以后，我们又能回来帮助你们了……
Adrien Treuille 很敏锐地捕捉到了这个长期痛点，于是在 2018 年， 创立了 streamlit 。
目标很简单，给数据科学团队提供简单的工具，让他们使用已经掌握的 Python 编程技能，就能直接做 Web 应用。
什么 “等上两三个月不许改”？！你们自己慢慢儿玩儿去吧，我们想怎么改，就怎么改！
至于做出来的东西嘛，可以是这样的：
资源
看到这里，是不是心动了？也打算学习一下 Streamlit ？
没问题，我前面给你提供的样例，就在 github 上，你可以直接查看源码。
如果你希望重现这个小应用，并且一步步学习掌握 Streamlit 的基础知识和技能，我也已经为你写好了一份手把手的教程。地址在这里https://sspai.com/post/58474。
它不仅教你如何设置环境，安装工具，写作代码，甚至连如何免费部署到 heroku 平台，让用户使用，都毫无保留地教给了你。
那篇文章，我用于参加少数派年度征文活动，所以就不能全文展示在这里了。
读完以后，如果你觉得有收获，欢迎在少数派平台上帮我点个赞。谢谢支持！
思考
尝试过之后，你应该不难发现，Streamlit 给你带来了什么。
如果你学过 Javascript 和 Flask, Django 等 Web 应用开发技术，Streamlit 可以加快你的 Web 应用开发与测试进程。
如果你还没有学过上述技术， Streamlit 可以给你赋能，让你一下子有了把数据分析结果变成产品的能力。
给你讲点儿更激进的。
有人已经希望能用它替代掉 Flask 用于产品发布了。
还有人说，将来写技术文档，也应该充分使用 Streamlit 。
甚至，还把它比作了数据科学界的 iPhone 。
这里，它是借喻 iPhone 开启智能手机时代，说明 Streamlit 的划时代性。
我不希望你也变得如此激进。
因为这里提到的每一种功用，现在还都有非常专业的工具做的更好，而且新的工具也在不断涌现。
例如说，我们在多个教程中一直使用 Jupyter Notebook 。
现在凭借 Voila 扩展的加持，你也可以很轻松地把 Jupyter Notebook 变成 Web app ，而且可以免费运行在 mybinder 上面。
但是，你可以看到，一个新的工具，以一种简单，而不是更繁复的办法，解决一个功能痛点，是一件多么令人欣喜的事儿。
看了这篇文章，可能会给你一种误解，似乎 JavaScript 为代表的前端编程技术，再也不需要学了。
其实不是这样的。
可以想象，开发门槛降低以后，将来会有更多的人使用 Python 来做 Web 应用。
用 Streamlit 这样的方法，他们只是开发出了一个原型。
要是想打造精品，就必须精细调控很多细节。
这时候， 如果你精通 Javascript ，那你潜在的合作对象一下子就多了起来，你掌握的这门技术，也就有了更大的价值。
还记得吗？我不止一次给你强调过，比起一个工具自身的能力来，协作网络更重要。忘了的话，记得复习《学 Python ，能提升你的竞争力吗？》。
这就好像印刷术的发明，不是让会写字这件事儿变得失去价值，而是全社会都增大了对好作品的渴求。深刻的思考，加上有效的文字表达，会让你生存得更好。
当然，如果你不希望精通写作技艺，只是想做一个抄书匠糊口。那么印刷术就可能会替代你的工作，结果就不那么美妙了。
小结
这篇文章，我为你介绍了 Streamlit 这款有趣的工具。希望你读过之后，掌握了以下知识点：
借助 Streamlit ，你可以用纯 Python 编制 Web 应用；
学 Web 设计依然很有前途，因为你的潜在合作群体正在迅速扩大；
不要惹魔法师（优秀程序员）。他们的痛点需求会转化成无尽的战斗力，兴许会直接替掉你的日常工作。
更多Python知识，请关注：Python自学网！！
❾ Internet 和web的区别
再加个network吧。
其实在汉语里面大家都会认为成网络。但是在英文里面就区分的很明显。他们三个是完全不同的概念。
首先，network最广，就是汉语里面最广的“网络"，应该自己可以明白，就是各种电网、神经网络等。
其次，是internet，是因特网也叫互联网，它是1969年出现的，是一个属于信息资源的网络总称。
再次，是web，web是1994年才出现的。web是一个引起公众注意的因特网的应用，注意只是因特网的一个应用。它将因特网从只是很多数据网之一的地位提升为仅有的一个数据网。
之前看过有人解释说web就是页面，internet是网络，然后下面还有十个人赞的...我觉得很无语....web是项应用，怎么就成页面了...web有web页面这个概念，但是也有web服务器等各种概念啊...只说web是个页面还有十个赞的....~~~~(>_<)~~~~ 好吧...无语