第 03 讲：TensorFlow 入门——从手写感知机到 Keras CNN | 软件工程师的机器学习实战课

本课目标

理解神经网络的计算本质（矩阵乘法 + 非线性激活 + 梯度下降），用 Keras 训练 CNN 识别手写数字，准确率 99%+。

"神经网络"这四个字吓退了多少工程师。但剥开来看，一个神经元就是三行代码：矩阵乘法、加偏置、过激活函数。堆一千层也还是这三件事。本讲从手写一个感知机开始，让你亲眼看到：深度学习没那么玄。

核心内容

手写感知机：一个神经元的真相

import numpy as np

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

class Perceptron:
    def __init__(self, n_features, lr=0.1):
        self.W = np.random.randn(n_features) * 0.01
        self.b = 0.0
        self.lr = lr

    def forward(self, X):
        return sigmoid(X @ self.W + self.b)

    def train_step(self, X, y):
        pred = self.forward(X)
        error = pred - y
        grad_W = X.T @ (error * pred * (1 - pred)) / len(X)
        grad_b = np.mean(error * pred * (1 - pred))
        self.W -= self.lr * grad_W
        self.b -= self.lr * grad_b

20 行代码，一个能训练的神经元。forward 做预测，train_step 算梯度、更新参数。深度学习的"深"只是把几百个这样的神经元堆在一起，用链式法则逐层传递梯度——这个叫反向传播，框架帮你自动做了。

你不需要手写反向传播，但你需要知道：模型训练 = 反复执行"预测 → 算误差 → 反向传播 → 更新参数"。把握了这个循环，后面的 CNN、RNN、Transformer 都只是换了"怎么预测"这一步。

Keras CNN：MNIST 手写数字，99% 准确率

import tensorflow as tf
from tensorflow import keras

(X_train, y_train), (X_test, y_test) = keras.datasets.mnist.load_data()
X_train = X_train[..., None] / 255.0
X_test = X_test[..., None] / 255.0

model = keras.Sequential([
    keras.layers.Conv2D(32, 3, activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D(),
    keras.layers.Conv2D(64, 3, activation='relu'),
    keras.layers.MaxPooling2D(),
    keras.layers.Flatten(),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax'),
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(X_train, y_train, epochs=5, validation_split=0.1, batch_size=128)

每层职责：Conv2D 提取局部特征（边缘→纹理→形状），MaxPooling 降采样增强抗位移能力，softmax 输出 0-9 的概率分布。adam 是自适应学习率的梯度下降变体——新手默认选它，大部分场景不需要调。

过拟合：训练集 99%，测试集 88%

validation_split=0.1 划出验证集。训练日志里 val_loss 上升但 train_loss 下降 = 模型在"背诵"训练集而不是"理解"规律。对策：数据增强（一张图变成十张）、Dropout（随机关神经元）、早停（val_loss 不降了就停）。

动手练习