神经网络是权重与偏置的线性变换叠加非线性激活函数的数学模型，基本结构含输入层、隐藏层（可选）、输出层；前向传播计算z=wx+b后经relu/sigmoid激活；反向传播通过链式法则更新参数；可用numpy从零实现单层感知机及多层全连接网络，并辅以归一化、mini-batch、学习率衰减和早停等技巧提升训练稳定性。
理解神经网络的基本结构
神经网络本质是一系列数学运算的组合，核心是权重（weight）和偏置（bias）的线性变换，叠加非线性激活函数。一个最简前馈网络包含输入层、隐藏层（可选）、输出层。每层神经元接收上一层输出，做 z = Wx + b 计算，再经 ReLU 或 Sigmoid 等函数得到激活值。
用NumPy从零搭建单层感知机
不依赖PyTorch或TensorFlow，纯Python+NumPy即可实现训练逻辑：
- 初始化权重矩阵 W 和偏置向量 b（如用随机小数）
- 前向传播：计算 z = X @ W.T + b，再用 sigmoid(z) 得预测概率
- 损失计算：对二分类常用二元交叉熵 loss = -y*log(y_pred) - (1-y)*log(1-y_pred)
- 反向传播：推导梯度 dW = (y_pred - y) @ X，db = sum(y_pred - y)
- 参数更新：用学习率 lr 执行 W -= lr * dW，b -= lr * db
扩展为多层全连接网络
增加隐藏层时，关键在链式求导。假设两层网络：输入→隐藏→输出，需分别计算输出层和隐藏层的误差项（delta）：
- 输出层 delta： δ₂ = (y_pred - y) * sigmoid_derivative(z₂)
- 隐藏层 delta： δ₁ = δ₂ @ W₂ * relu_derivative(z₁)
- 对应梯度： dW₂ = a₁.T @ δ₂，dW₁ = X.T @ δ₁
- 建议用列表存储各层 W 和 b，用循环统一前向/反向流程
加入实用训练技巧
纯手写模型容易发散或收敛慢，几个轻量但有效的改进：
立即学习“Python免费学习笔记（深入）”；
- 数据归一化：输入特征缩放到 [0,1] 或标准化（减均值除标准差）
- Mini-batch：每次只取32或64个样本计算梯度，比全量更快更稳
- 学习率衰减：训练中逐步缩小 lr，例如 lr = lr₀ / (1 + decay * epoch)
- 简单早停：监控验证集损失，连续5轮不下降就终止训练
验证与调试建议
手写模型难定位bug，推荐三步检查：
- 用全零或全一输入测试前向传播，确认输出维度和数值范围合理
- 关闭随机性（np.random.seed(42)），固定数据和初始化，确保每次运行结果一致
- 梯度检验：用有限差分法（如 (loss(w+ε) - loss(w-ε)) / (2ε)）对比解析梯度，误差应小于1e-5
