深度学习工作坊：神经网络基础与实践指南

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。