完整教程：深度学习-神经网络(上篇)

一、神经网络概述

1. 基本概念

• ​​人工神经网络 (ANN)​​：一种模仿生物神经网络结构与机制的计算模型。
• ​​生物神经元机理​​：树突接收输入信号，细胞核处理并聚集电荷，达到电位阈值后通过轴突输出电信号。
• ​​人工神经元机理​​：对多个输入进行​​加权求和​​，再通过一个​​激活函数​​产生输出。
  输出 = 激活函数(Σ(输入 * 权重) + 偏置)

2. 网络结构

一个典型的全连接神经网络包含以下层次：

• ​​输入层​​：接收原始数据。
• ​​隐藏层​​：介于输入和输出层之间，进行特征变换。可能有多个。
• ​​输出层​​：产生最终的预测结果。

​​结构特点​​：

• 信息单向传播（前向传播）。
• 同一层的神经元之间无连接。
• 第N层的每个神经元与第N-1层的所有神经元全连接。
• 每个连接都有其权重(w)和偏置(b)。

3. 深度学习与机器学习的关系

• ​​深度学习是机器学习的一个子集​​。
• 首要区别在于​​特征工程​​：
  • ​​传统机器学习​​：严重依赖人工特征工程。
  • ​​深度学习​​：模型通过多层神经网络​​自动学习​​数据的层次化特征表示。

---

二、激活函数

​​作用​​：为网络引入​​非线性因素​​，使得神经网络能够拟合任意困难的函数。若无激活函数，多层网络等价于一个线性模型。

常见激活函数对比

激活函数	公式	输出范围	特点	优点	缺点	适用场景
​​Sigmoid​​	f(x) = 1 / (1 + e⁻ˣ)	(0, 1)	S型曲线	输出可视为概率	1. 易产生​​梯度消失​​（导数范围(0, 0.25) 2. 非零中心 3. 计算含指数，较慢	​​输出层​​（二分类）
​​Tanh​​	f(x) = (eˣ - e⁻ˣ) / (eˣ + e⁻ˣ)	(-1, 1)	放大并平移的Sigmoid	​​零中心​​，收敛速度比Sigmoid快	仍存在​​梯度消失​​问题	​​隐藏层​​
​​ReLU​​	f(x) = max(0, x)	[0, +∞)	简单阈值过滤	1. 计算高效，缓解梯度消失（正区间） 2. 带来网络稀疏性	​​神经元死亡​​（负区间梯度为0）	​​隐藏层​​（首选）
​​Softmax​​	f(xᵢ) = eˣⁱ / Σⱼeˣʲ	(0, 1) 且和为1	多分类Sigmoid推广	将输出归一化为​​概率分布​​	-	​​输出层​​（多分类）

激活函数选择指南

• ​​隐藏层​​：
  • ​​优先运用 ReLU​​，注意学习率设置以防“死亡神经元”。
  • ReLU效果不佳时，可尝试 Leaky ReLU 等变体。
  • 少用 Sigmoid，可尝试 Tanh。
• ​​输出层​​：
  • ​​二分类​​：Sigmoid
  • ​​多分类​​：Softmax
  • ​​回归​​：恒等函数（即无激活函数）

---

三、参数初始化途径

权重初始化的好坏直接影响模型的收敛速度和最终性能。

常见初始化方法

1. ​​容易初始化​​：

   • ​​均匀分布初始化​​：torch.nn.init.uniform_()
   • ​​正态分布初始化​​：torch.nn.init.normal_()
   • ​​全零初始化​​：torch.nn.init.zeros_() -> ​​导致神经元对称失效，禁止使用​​。
   • ​​全一初始化​​：torch.nn.init.ones_() -> 效果差，一般不使用。
   • ​​固定值初始化​​：torch.nn.init.constant_()

2. ​​高级初始化（推荐）​​：

   • ​​Kaiming (He) 初始化​​：为解决ReLU激活函数设计的初始化办法。
     • 正态分布：std = sqrt(2 / fan_in)
     • 均匀分布：limit = sqrt(6 / fan_in)
     • fan_in：该层输入神经元的个数。
     • PyTorch API: torch.nn.init.kaiming_normal_(), torch.nn.init.kaiming_uniform_()
   • ​​Xavier (Glorot) 初始化​​：为消除Sigmoid/Tanh等S型激活函数设计。
     • 正态分布：std = sqrt(2 / (fan_in + fan_out))
     • 均匀分布：limit = sqrt(6 / (fan_in + fan_out))
     • fan_in：输入神经元个数，fan_out：输出神经元个数。
     • PyTorch API: torch.nn.init.xavier_normal_(), torch.nn.init.xavier_uniform_()

初始化方法选择

• ​​通常优先使用 Kaiming 或 Xavier 初始化​​。
• PyTorch 中许多层已有合理的默认初始化，但自定义层时需手动初始化。

---

四、神经网络的搭建与参数计算

1. 模型搭建步骤（PyTorch）

在PyTorch中，通过继承 nn.Module 类来定义模型。

import torch.nn as nn
class MyModel(nn.Module):
def __init__(self, input_dim, hidden_dim, output_dim):
super(MyModel, self).__init__() # 必须调用父类初始化
# 定义网络层
self.linear1 = nn.Linear(input_dim, hidden_dim)
self.linear2 = nn.Linear(hidden_dim, output_dim)
# 初始化权重
nn.init.xavier_normal_(self.linear1.weight)
nn.init.kaiming_normal_(self.linear2.weight)
def forward(self, x):
# 定义前向传播路径
x = torch.sigmoid(self.linear1(x))
x = self.linear2(x) # 输出层通常不加激活函数，损失函数中会集成
return x

2. 参数量的计算

神经网络的参数量关键指​​权重(w)​​ 和​​偏置(b)​​ 的数量。

• 对于一个全连接层：参数总量 = (输入特征数 + 1) * 输出特征数
  • +1 代表偏置项。
• ​​示例​​：一个输入为3个特征，输出为2个神经元的层，参数量为 (3 + 1) * 2 = 8。
• 可以使用 torchsummary 库的 summary(model, input_size) 函数自动计算和打印模型总参数量和各层细节。

3. 输入输出形状

• ​​输入张量形状​​：[batch_size, in_features]
• ​​输出张量形状​​：[batch_size, out_features]
• 训练时使用 DataLoader 按 batch_size 组织数据。

4. 神经网络的优缺点

• ​​优点​​：
  • 精度高，在诸多领域性能领先。
  • 能够近似任意复杂函数。
  • 社区成熟，有大量框架和库支持。
• ​​缺点​​：
  • ​​黑箱模型​​，解释性差。
  • 训练时间长，计算资源消耗大。
  • 网络结构复杂，需要大量调参。
  • 在小数据集上容易​​过拟合​​。

---