【第三章:神经网络原理详解与Pytorch入门】01.神经网络算法理论详解与实践-(2)神经网络整体结构

第三章: 神经网络原理详解与Pytorch入门

第一部分：神经网络算法理论详解与实践

第二节：神经网络整体结构

内容：从单层感知机的原理推广到神经网络

一、单层感知机（Perceptron）

【漫话机器学习系列】124.感知机（Perceptron）_感知机模型存在的问题-CSDN博客

【漫话机器学习系列】123.感知机学习（Perceptron Learning）-CSDN博客

感知机模型简介

感知机是最早的神经网络形式，用于进行线性可分的二分类任务。数学表达如下：

其中：

• ：输入特征

• ：权重参数

• b：偏置

• f：激活函数（如 Sign、Step）

感知机结构图

输入层 → 权重加权求和 → 激活函数 → 输出结果

感知机的目标是调整 w, b 使其能把输入样本正确分类。

二、多层感知机（MLP）与前馈神经网络

【深度学习】常见模型-多层感知机（MLP，Multilayer Perceptron）_多层感知器mlp-CSDN博客

【漫话机器学习系列】060.前馈神经网络（Feed Forward Neural Networks, FFNN）_ffn前馈神经网络-CSDN博客

由于单层感知机只能处理线性可分问题，引入多层结构即可建模非线性关系。

结构层级：

1. 输入层（Input Layer）：接收原始数据向量。

2. 隐藏层（Hidden Layer）：可多层，核心是线性变换 + 非线性激活。

3. 输出层（Output Layer）：输出最终预测值。

数学表示（以一隐藏层为例）：

• σ：激活函数，如 ReLU、Sigmoid、Tanh

• f：输出激活，如 Softmax（用于分类）

三、激活函数的非线性作用

【漫话机器学习系列】106.线性激活函数（Linear Activation Function）_鈥榣inear activation function-CSDN博客

【漫话机器学习系列】152.ReLU激活函数（ReLU Activation Function）_relu函数-CSDN博客

【漫话机器学习系列】142.Sigmoid 激活函数（Sigmoid Activation Function）_sigmoid函数-CSDN博客

【漫话机器学习系列】224.双曲正切激活函数（Hyperbolic Tangent Activation Function）_hyperbolic tangent激活函数-CSDN博客

【漫话机器学习系列】146.Softmax 激活函数（Softmax Activation Function）_softmax函数-CSDN博客

激活函数的引入打破了神经网络的线性限制，使其能表示复杂函数。

函数名	公式	特点
ReLU	f(x)=max⁡(0,x)	快速收敛，常用
Sigmoid		输出范围[0,1]，梯度消失问题
Tanh	f(x)=tanh⁡(x)	输出[-1,1]，对称性好

四、前向传播与反向传播流程

前向传播（Forward Pass）

1. 输入数据传入网络

2. 每层执行线性变换（加权求和）

3. 应用激活函数

4. 输出预测结果

反向传播（Backward Pass）

【漫话机器学习系列】008.反向传播算法（Backpropagation Algorithm）-CSDN博客

1. 根据损失函数 计算误差

2. 利用链式法则逐层反向传播梯度

3. 更新权重（通过梯度下降优化）

五、网络结构示意图

输入层:    x1  x2  x3 ...
              ↓
隐藏层1:  z1  z2  z3 → ReLU
              ↓
隐藏层2:  z4  z5  z6 → ReLU
              ↓
输出层:    y1  y2 (如分类概率)

可以扩展到任意深度（深度学习），形成多层结构。

六、PyTorch 中的神经网络构建示例（简单 MLP）

【人工智能】Python常用库-PyTorch常用方法教程-CSDN博客

import torch.nn as nn

class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(10, 64),
            nn.ReLU(),
            nn.Linear(64, 3),  # 3类分类任务
            nn.Softmax(dim=1)
        )

    def forward(self, x):
        return self.model(x)

小结