3层神经网络：从原理到代码实现的完整指南-开发者社区

3层神经网络：从原理到代码实现的完整指南

深度学习的核心组件——神经网络，今天我们就来手把手实现一个3层神经网络。无论你是刚入门的小白，还是想巩固基础的开发者，这篇指南都会让你有所收获！

神经网络结构解析

首先来看我们的网络架构：

输入层（2个神经元）→ 隐藏层1（3个神经元）→ 隐藏层2（2个神经元）→ 输出层（2个神经元）

这就是典型的全连接前馈神经网络。每一层的神经元都与下一层的所有神经元相连。

符号系统详解

神经网络有一套标准的符号表示法：

w12(1)w_{12}^{(1)}w12(1)：表示从第1层第2个神经元到第2层第1个神经元的权重
a1(1)a_1^{(1)}a1(1)：表示第1层第1个神经元的加权输入（含偏置）
右上角数字表示层数，右下角两个数字表示“目标层神经元索引, 来源层神经元索引”

信号传递的数学原理

第一层计算：从输入到隐藏层

对于第1层的第一个神经元，其计算过程为：
a1(1)=w11(1)x1+w12(1)x2+b1(1)a^{(1)}_{1} = w^{(1)}_{11}x_{1} + w^{(1)}_{12}x_{2} + b^{(1)}_{1}a1(1)=w11(1)x1+w12(1)x2+b1(1)

但这样逐个计算太繁琐了！聪明的做法是用矩阵运算打包处理：

A(1)=XW(1)+B(1)\boldsymbol{A}^{(1)} = \boldsymbol{X}\boldsymbol{W}^{(1)} + \boldsymbol{B}^{(1)}A(1)=XW(1)+B(1)

其中：

X=(x1x2)\boldsymbol{X} = \begin{pmatrix} x_1 & x_2 \end{pmatrix}X=(x1x2)（输入）
W(1)=(w11(1)w21(1)w31(1)w12(1)w22(1)w32(1))\boldsymbol{W}^{(1)} = \begin{pmatrix} w_{11}^{(1)} & w_{21}^{(1)} & w_{31}^{(1)} \\ w_{12}^{(1)} & w_{22}^{(1)} & w_{32}^{(1)} \end{pmatrix}W(1)=(w11(1)w12(1)w21(1)w22(1)w31(1)w32(1))（权重矩阵）
B(1)=(b1(1)b2(1)b3(1))\boldsymbol{B}^{(1)} = \begin{pmatrix} b_1^{(1)} & b_2^{(1)} & b_3^{(1)} \end{pmatrix}B(1)=(b1(1)b2(1)b3(1))（偏置）

Python实现：一步步构建神经网络

第一步：初始化网络参数

importnumpyasnpdefsigmoid(x):"""Sigmoid激活函数"""return1/(1+np.exp(-x))definit_network():"""初始化神经网络权重和偏置"""network={}network['W1']=np.array([[0.1,0.3,0.5],[0.2,0.4,0.6]])network['b1']=np.array([0.1,0.2,0.3])network['W2']=np.array([[0.1,0.4],[0.2,0.5],[0.3,0.6]])network['b2']=np.array([0.1,0.2])network['W3']=np.array([[0.1,0.3],[0.2,0.4]])network['b3']=np.array([0.1,0.2])returnnetwork

第二步：前向传播实现

defidentity_function(x):"""恒等函数（输出层激活函数）"""returnxdefforward(network,x):"""前向传播"""W1,W2,W3=network['W1'],network['W2'],network['W3']b1,b2,b3=network['b1'],network['b2'],network['b3']# 第1层计算a1=np.dot(x,W1)+b1# 加权和z1=sigmoid(a1)# 激活函数# 第2层计算a2=np.dot(z1,W2)+b2 z2=sigmoid(a2)# 输出层计算a3=np.dot(z2,W3)+b3 y=identity_function(a3)# 恒等激活returny

第三步：运行神经网络

# 初始化网络network=init_network()# 准备输入数据x=np.array([1.0,0.5])# 前向传播得到输出y=forward(network,x)print(f"神经网络输出:{y}")# [0.31682708 0.69627909]

关键知识点总结

1. 矩阵运算的高效性

用np.dot()一次性完成整层的加权和计算
避免低效的循环操作
NumPy的向量化运算大幅提升性能

2. 激活函数的选择

隐藏层：常用sigmoid、ReLU等非线性函数
输出层：根据任务类型选择
- 回归问题 → 恒等函数
- 二分类 → sigmoid函数
- 多分类 → softmax函数

3. 网络参数的组织

权重W：连接两层神经元的参数矩阵
偏置b：每个神经元的偏移量
层与层之间完全连接

为什么这样设计？

模块化设计

init_network()：负责参数初始化
forward()：负责信号前向传播
结构清晰，易于扩展

可扩展性

增加网络层数只需简单扩展
更换激活函数不影响整体结构
方便后续添加反向传播算法

实际应用场景

这样的3层神经网络可用于：

回归预测：房价预测、股票趋势分析
二分类问题：垃圾邮件识别、疾病诊断
模式识别：简单图像分类、特征提取

扩展思考

如果我想增加网络深度怎么办？
- 只需在init_network中添加更多W和b
- 在forward中添加对应的计算层
如果想使用不同的激活函数？
- 只需修改z1 = sigmoid(a1)为其他函数
- 如ReLU：z1 = np.maximum(0, a1)
如何训练这个网络？
- 需要添加损失函数计算误差
- 实现反向传播算法更新权重
- 使用优化器（如SGD、Adam）调整学习过程