神经网络入门：从零开始构建你的第一个深度学习模型-深圳市維司達科技有限公司

✨道路是曲折的，前途是光明的！

📝 专注C/C++、Linux编程与人工智能领域，分享学习笔记！

🌟 感谢各位小伙伴的长期陪伴与支持，欢迎文末添加好友一起交流！

- 前言
- 什么是神经网络？
- - 基本结构
- 核心概念
- - 1. 神经元
  - 2. 激活函数
  - 3. 前向传播
- PyTorch实战代码
- - 1. 定义神经网络
  - 2. 训练循环
- 训练流程图
- 损失函数的作用
- 反向传播与梯度下降
- 完整训练示例
- 总结
- 进一步学习方向

前言

神经网络是深度学习的基石，也是人工智能领域最激动人心的技术之一。本文将带你从零开始，理解神经网络的核心概念，并用代码实现一个简单的神经网络模型。

什么是神经网络？

神经网络是一种受人脑神经元结构启发的机器学习模型。它由相互连接的节点（神经元）组成，通过层层传递和处理信息来完成学习任务。

基本结构

核心概念

1. 神经元

每个神经元接收输入，通过权重和偏置计算，最后通过激活函数产生输出：

output = activation(Σ(input × weight) + bias)

2. 激活函数

激活函数引入非线性，使网络能够学习复杂的模式。

激活函数	特点	适用场景
ReLU	计算简单，缓解梯度消失	隐藏层首选
Sigmoid	输出在0-1之间	二分类输出层
Softmax	输出概率分布	多分类输出层

3. 前向传播

前向传播是数据从输入层流向输出层的过程。

PyTorch实战代码

1. 定义神经网络

importtorchimporttorch.nnasnnimporttorch.optimasoptim# 定义一个简单的全连接神经网络classSimpleNet(nn.Module):def__init__(self,input_size,hidden_size,num_classes):super(SimpleNet,self).__init__()# 第一层：输入层到隐藏层self.layer1=nn.Linear(input_size,hidden_size)self.relu=nn.ReLU()# 第二层：隐藏层到输出层self.layer2=nn.Linear(hidden_size,num_classes)defforward(self,x):out=self.layer1(x)out=self.relu(out)out=self.layer2(out)returnout# 初始化模型model=SimpleNet(input_size=784,hidden_size=128,num_classes=10)print(model)

2. 训练循环

# 定义损失函数和优化器criterion=nn.CrossEntropyLoss()optimizer=optim.Adam(model.parameters(),lr=0.001)# 训练循环num_epochs=10forepochinrange(num_epochs):forbatch_idx,(data,targets)inenumerate(train_loader):# 前向传播outputs=model(data)loss=criterion(outputs,targets)# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()print(f'Epoch [{epoch+1}/{num_epochs}], Loss:{loss.item():.4f}')

训练流程图

损失函数的作用

损失函数衡量模型预测与真实值的差距：

# 常用损失函数示例# 1. 均方误差（回归任务）mse_loss=nn.MSELoss()# 2. 交叉熵（分类任务）cross_entropy=nn.CrossEntropyLoss()# 3. 二元交叉熵（二分类）bce_loss=nn.BCELoss()

反向传播与梯度下降

反向传播是训练神经网络的核心算法：

完整训练示例

importtorchimporttorch.nnasnnfromtorch.utils.dataimportDataLoader,TensorDataset# 创建示例数据X=torch.randn(1000,20)# 1000个样本，20个特征y=torch.randint(0,2,(1000,))# 二分类标签# 创建数据加载器dataset=TensorDataset(X,y)train_loader=DataLoader(dataset,batch_size=32,shuffle=True)# 定义模型classBinaryClassifier(nn.Module):def__init__(self):super().__init__()self.network=nn.Sequential(nn.Linear(20,64),nn.ReLU(),nn.Dropout(0.2),nn.Linear(64,32),nn.ReLU(),nn.Linear(32,1),nn.Sigmoid())defforward(self,x):returnself.network(x)# 训练model=BinaryClassifier()optimizer=torch.optim.Adam(model.parameters(),lr=0.001)criterion=nn.BCELoss()forepochinrange(5):epoch_loss=0forX_batch,y_batchintrain_loader:optimizer.zero_grad()predictions=model(X_batch).squeeze()loss=criterion(predictions,y_batch.float())loss.backward()optimizer.step()epoch_loss+=loss.item()print(f'Epoch{epoch+1}, Average Loss:{epoch_loss/len(train_loader):.4f}')