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 16:05:54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

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
260
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
854
505
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
254
295
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
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
331
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
397
370
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
kernelkernel
deepin linux kernel
C
21
5