nn什么意思？——nn 代表神经网络（Neural Network），是人工智能的基石模型架构

适合人群：会 Python，想快速写代码构建 nn

直接开干！推荐 PyTorch 流程（Keras 同理）：

• Step 1：安装：pip install torch torchvision torchaudio
• Step 2：定义模型：
  import torch.nn as nn
class SimpleNN(nn.Module):
  def __init__(self):
    super().__init__()
    self.fc = nn.Linear(784, 10)
  def forward(self, x):
    return self.fc(x)
• Step 3：用 MNIST 数据集训练（代码见下方）

? 示例：50 行代码训练手写数字识别模型

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])
train_data = datasets.MNIST('./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_data, batch_size=64)
# 定义模型
class NN(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)
    def forward(self, x):
        x = x.view(-1, 784)
        x = torch.relu(self.fc1(x))
        return self.fc2(x)
model = NN()
optimizer = optim.Adam(model.parameters())
# 训练循环
for epoch in range(2):
    for data, target in train_loader:
        optimizer.zero_grad()
        output = model(data)
        loss = nn.CrossEntropyLoss()(output, target)
        loss.backward()
        optimizer.step()
    print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}')
                

适合人群：数学系/CS系学生，追求原理级理解

理解 nn 的关键：梯度链式法则。从单神经元出发：

• 前向传播：
  设输入 x，权重 w，偏置 b，激活函数 σ，则输出：
  y = σ(w·x + b)
• 损失函数：以交叉熵为例：
  L = -Σ y_true·log(y_pred)
• 反向传播：
  计算 ∂L/∂w = ∂L/∂y · ∂y/∂w，其中：
  ∂y/∂w = x · σ'(w·x + b)

? 推荐学习资料：

• 《Deep Learning》（Ian Goodfellow）第6章“前馈神经网络”
• Stanford CS231n 课程笔记（Convolutional Neural Networks for Visual Recognition）
• 手动实现线性回归的梯度下降（用 NumPy，不依赖 PyTorch）