实现代码（科学上网）

1. 基本数学原理

• 矩阵运算：输入数据（图像像素）与权重矩阵的乘法、加法构成线性变换，用于传递信号。
• 激活函数：隐藏层使用 ReLU 函数引入非线性，公式为：

  $$\text{ReLU}(z) = \max(0, z)$$

  输出层使用 Softmax 函数生成概率分布。
• 损失函数：采用交叉熵损失衡量预测值与真实标签的差异：

  $$L = -\sum y_i \log(p_i)$$

  其中 $y_i$ 为真实标签，$p_i$ 为预测概率。
• 梯度计算：通过链式法则反向传播误差，更新权重矩阵（偏导数计算）。

2. 基本神经网络原理

• 前向传播：
  1. 输入层 → 隐藏层：

  $$z_1 = XW_1 + b_1$$

  $$a_1 = \text{ReLU}(z_1)$$

  2. 隐藏层 → 输出层：

  $$z_2 = a_1W_2 + b_2$$

  输出概率

  $$p = \text{Softmax}(z_2)$$

• 反向传播：
  • 计算输出层误差

    $$\delta_2 = p - y$$

  • 隐藏层误差

    $$\delta_1 = \delta_2 W_2^T \odot I(z_1 > 0)$$

    （$I$ 为指示函数，ReLU导数为1当$z_1>0$，否则为0）
  • 更新权重

    $$W_2 \leftarrow W_2 - \eta \cdot a_1^T \delta_2$$

    $$W_1 \leftarrow W_1 - \eta \cdot X^T \delta_1$$

3. MNIST 数据集

• 定义：包含 0-9 手写数字的灰度图像数据集，共 70,000 张（60,000 训练 + 10,000 测试）。
• 预处理：
  • 图像归一化：将像素值从 [0, 255] 缩放到 [-0.5, 0.5]。
  • 标签独热编码：将数字标签转为 10 维向量（如“3” → [0,0,0,1,0,0,0,0,0,0]）。

4. 神经网络设计

层类型	神经元数量	激活函数	输入维度	输出维度
输入层	784	无	1×784	1×784
隐藏层	10	ReLU	1×784	1×10
输出层	10	Softmax	1×10	1×10

5. 权重初始化方法

• 均匀分布初始化：权重矩阵 $W_1$（784×10）和 $W_2$（10×10）从区间 $[-0.5, 0.5)$ 随机采样。
• 数学意义：
  • 避免全零初始化导致梯度消失。
  • 小范围随机值打破对称性，确保神经元学习不同特征。

更新日志

2025/3/26 10:50

查看所有更新日志

• 1a6a1-update于 2025/3/26
• cd4c7-update于 2025/3/25
• 8c5ec-update于 2025/3/25
• 12cc8-update于 2025/3/25

版权所有

版权归属：NateHHX

许可证：署名 4.0 国际 (CC-BY-4.0)