[1.2 单个神经元的分类作用以sigmoid函数作为神经元的激励函数为例，这个大家可能稍微熟悉一点，毕竟我们逻辑回归部分重点提到了这个非线性的函数，把输入值压缩成0-1之间

在4399上玩了一个寻找不一样的色彩小游戏，如下图所示：

目的就是找到颜色不同的方块，点一次升一次级，限定时间25秒，点的快时间可以不变。最开始2x2，3x3，4x4，5x5等等逐渐增多，最后9x9不变。我的思路首先是截一张图，这里我用的是pyscreenshot模块，让用户用鼠标点击游戏总方块的左上顶角和右下顶角，这样确定了目标区域。以9x9的时候为例，代码如下：

import cv2

import numpy as np

import os

import pyscreenshot as ss

import time

def onMouse(event, x, y, flags, param):

global flag, pLeftTop, pRightBottom

if event == cv2.EVENT_LBUTTONDOWN:

if flag:

pLeftTop = (x,y)

else:

pRightBottom = (x,y)

flag = False

flag = True

pLeftTop = None

pRightBottom = None

cv2.namedWindow('frame')

cv2.setMouseCallback('frame', onMouse)

img = ss.grab(bbox=(0,0,1300,768))

img = np.array(img)

cv2.imshow('frame', img)

if cv2.waitKey(0) & 0xff == ord(' '):

cv2.destroyWindow('frame')

flag, pLeftTop, pRightBottom是全局变量，onMouse是获取鼠标的回调函数。

while True:

img = ss.grab(bbox=(0,0,1300,768))

img = np.array(img)

target = img[pLeftTop[1]:pRightBottom[1],pLeftTop[0]:pRightBottom[0]]

gray = cv2.cvtColor(target, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 220, 255, cv2.THRESH_BINARY_INV)

接下来二值化处理，我这里设的阈值是220，取反处理，结果如下：

[win7 下，安装的VS2010，然后搭配opencv2.4.3运行，报错为：fatal error LNK1112: 模块计算机类型“X86”与目标计算机类型“x64”冲突 。通过网上查询，给错的答案大同小

im, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

centers = []

centersGray = []

#d = 0

for c in contours:

(x,y), radius = cv2.minEnclosingCircle(c)

x, y = int(x), int(y)

centers.append((x,y))

centersGray.append(gray[y,x])

#d+=1

#cv2.circle(target, (x,y), 2, (0,255,0), 2)

#cv2.putText(target, str(d), (x,y), cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,0,0))

接下来通过边界找到所有的颜色方块，取消上面代码的注释可以看到如下：

sets = set(centersGray)

index = None

for s in sets:

if centersGray.count(s) == 1:

index = centersGray.index(s)

break接下来就是找到不同的那个颜色块，可以通过list的自带count函数快速找到，在图上显示就是：

realX = centers[index][0] + pLeftTop[0]

realY = centers[index][1] + pLeftTop[1]

os.system('xdotool mousemove '+str(realX)+' '+str(realY))

os.system('xdotool click 1')

最后获取屏幕上真实的像素位置，用xdotool模拟鼠标移动和点击即可。

[1. 引言上一节我们讲完了各种激励函数的优缺点和选择，以及网络的大小以及正则化对神经网络的影响。这一节我们讲一讲输入数据预处理、正则化以及损失函数设定的一些事情。