首页
/ 深度学习工作坊:神经网络基础与实践指南

深度学习工作坊:神经网络基础与实践指南

2025-07-04 11:15:45作者:卓炯娓

神经网络基础概念

神经网络本质上是逻辑回归的强大扩展版本。与线性和逻辑回归类似,它们接收输入数据并将其映射到输出结果,但不需要预先知道真实的数据方程形式。神经网络模型就是一种具有任意强大表达能力的数学模型。

神经网络的结构理解

我们可以通过两种方式来理解神经网络的结构:

  1. 矩阵图示法:将神经网络看作一系列矩阵运算的堆叠,每一层都是对数据的线性变换和非线性激活的组合。这种视角下,神经网络就像是一连串逻辑回归模型的堆叠。

  2. 神经元图示法:采用类似生物神经元的连接方式展示网络结构,这种表示更直观地展现了信息在网络中的流动过程。

神经网络关键组件解析

网络层与节点

  • 输入节点:对应输入数据的特征维度
  • 隐藏节点:中间层的处理单元,执行数据的非线性变换
  • 输出节点:产生最终预测结果的单元

从线性代数角度看,权重矩阵实现了数据在不同维度空间之间的投影变换。例如,一个4输入到3输出的权重矩阵,就是将数据从4维空间投影到3维空间。

激活函数

激活函数(图中橙色部分)是对线性变换结果施加的非线性转换。常见的激活函数包括:

  • tanh函数(双曲正切)
  • ReLU(修正线性单元)
  • sigmoid/logistic函数(用于二分类输出层)

实践案例:分子生物降解性预测

我们将使用UCI机器学习库中的QSAR生物降解数据集,通过41种化学描述符预测化合物是否可生物降解。

数据准备

import pandas as pd
X = pd.read_csv('data/biodeg_X.csv', index_col=0)  # 41维特征
y = pd.read_csv('data/biodeg_y.csv', index_col=0)   # 二分类标签

神经网络模型设计

针对这个分类问题,我们设计如下网络结构:

  1. 输入层:41个节点(对应41个特征)
  2. 隐藏层:20个节点(压缩表示)
  3. 输出层:1个节点(二分类概率)
from dl_workshop.answers import noise
import jax.numpy as np
from dl_workshop.answers import logistic

# 初始化参数
params = {
    'w1': noise((41, 20)),  # 输入到隐藏层权重
    'b1': noise((20,)),      # 隐藏层偏置
    'w2': noise((20, 1)),    # 隐藏到输出层权重
    'b2': noise((1,))        # 输出层偏置
}

# 定义网络前向传播
def neural_network_model(theta, x):
    a1 = np.tanh(np.dot(x, theta['w1']) + theta['b1'])  # 隐藏层使用tanh激活
    a2 = logistic(np.dot(a1, theta['w2']) + theta['b2']) # 输出层使用logistic激活
    return a2

模型训练与优化

使用梯度下降优化网络参数:

from dl_workshop.answers import model_optimization_loop, logistic_loss

losses, params = model_optimization_loop(
    params, 
    neural_network_model, 
    logistic_loss,
    X.values,
    y.values,
    step_size=0.0001
)

模型评估

通过混淆矩阵评估分类性能:

from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

y_pred = neural_network_model(params, X.values)
sns.heatmap(confusion_matrix(y, np.round(y_pred)))
plt.xlabel('预测值')
plt.ylabel('真实值')
plt.show()

深度学习关键要素总结

  1. 模型架构:定义数据如何从输入流向输出
  2. 损失函数:量化模型预测与真实值的差距
  3. 优化算法:调整参数以最小化损失函数

这三个要素构成了所有深度学习系统的基础,无论是简单的线性回归还是复杂的深度神经网络。

当前方法的局限性与扩展方向

本文介绍的是深度学习的基础知识,实际应用中还需要考虑:

  • 数据划分(训练集/验证集/测试集)
  • 交叉验证与模型选择
  • 超参数调优(学习率、优化器等)
  • 正则化技术(L1/L2正则、dropout等)
  • 批量归一化等训练技巧

结语

深度学习本质上是对具有大量参数的模型进行优化的过程。在现阶段,它并非真正的"人工智能",而是一种强大的从输入到输出的映射工具。理解其基本原理后,我们不必对其感到畏惧,而应该将其视为解决复杂问题的有效工具之一。

通过本教程,您已经掌握了神经网络的基本原理和实践方法,为进一步探索更复杂的深度学习模型奠定了坚实基础。

登录后查看全文
热门项目推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8