Python神经网络入门：零基础保姆级路线图（全系列免费 · 持续更新中）
- 📖 专栏简介
- 📍 文章列表
- 🚀 第二阶段：卷积神经网络（CNN）—— 为什么要抛弃全连接？
- 📝 文章列表
- 📌 如何获取最新更新？
📖 专栏简介
本专栏使用纯NumPy从零实现神经网络，不依赖 PyTorch/TensorFlow 等任何深度学习框架，旨在帮助大家透彻理解前向传播、反向传播、梯度下降等核心算法的底层数学原理。
所有代码均已开源，可自由复制运行。收藏本文，随时获取最新更新！
📍 文章列表
第1篇：分类器 —— 神经网络最朴素的起点
第2篇：从 XOR 死穴到生物神经元 —— 为什么单一直线搞不定，要堆一堆神经元？
第3篇：矩阵乘法真是神经网络的"偷懒神器"
第4篇：神经网络误差反向传播完全图解
第5篇：误差算出来了，权重到底怎么改？
第6篇：从零开始，敲出你的第一个神经网络
第7篇：跑通 MNIST 手写数字识别，验证训练成果与测试准确率
第8篇：全连接网络的“死穴“—— 为什么图像任务必须换思路，CNN？
🚀 第二阶段：卷积神经网络（CNN）—— 为什么要抛弃全连接？
全连接网络（MLP）在 MNIST 上虽然跑通了，但面对真正的图像任务，它有两个致命的"先天缺陷"。这个阶段我们不急着写代码，先用两篇文章把 CNN 的"出场理由"和"核心思想"彻底聊透，然后再用纯 NumPy 从零手撕经典的 LeNet-5（后续会专门说明如何使用pytorch框架实现）。
📝 文章列表
| 状态 | 文章标题 & 核心内容 |
|---|---|
| 📝 即将发布 | 第9篇：卷积核到底在"卷"什么？—— CNN 的核心思想与作用 • 局部感受野：为什么只看"一小块"反而更聪明？ • 权值共享：一个探测器扫遍全图，参数瞬间暴跌 • 平移不变性：为什么 CNN 对位置偏移"免疫"？ •用直观例子说明 CNN 如何解决第 8 篇的痛点（修正：原稿误写为"第9篇"） |
| 📝 即将发布 | 第10篇：手撕卷积层（Conv2D）前向传播 —— 用 NumPy 实现滑窗与互相关运算 • 终于开始写代码，彻底搞懂卷积核在图像上"滑动"的底层实现 • 代码实现： for循环模拟滑动窗口• 对比 PyTorch 的 F.conv2d验证正确性 |
| 📝 即将发布 | 第11篇：卷积层的反向传播有多"绕"？—— 旋转 180° 的卷积核 • CNN 最难理解的难点，图解梯度如何在卷积层回传 • 为什么误差要"旋转 180°"？ • 用 NumPy 实现卷积层的反向传播 |
| 📝 即将发布 | 第12篇：池化层（Pooling）—— 为什么要"压缩"图像？ • MaxPooling 和 AveragePooling 的作用与区别 • 池化的前向传播：简单粗暴的"取最大值/平均值" • 池化的反向传播：最大值"独享"梯度，平均值"均分"梯度 • 用 NumPy 完整实现 MaxPooling 的前向与反向 |
| 📝 即将发布 | 第13篇：组装经典 LeNet-5 —— 用纯 NumPy 跑通第一个 CNN 模型 • LeNet-5 结构详解：Conv1 → Pool1 → Conv2 → Pool2 → FC1 → FC2 → 输出 • 将卷积层、池化层、全连接层组装起来 • 在 MNIST 上验证 CNN 的威力（对比 MLP 的准确率提升） |
| 📝 即将发布 | 第14篇：CNN 调参实战 —— Padding、Stride 与特征图尺寸变化 • 告别死记硬背公式，直观理解每一层的输出尺寸如何变化 • Padding：补零的"前世今生" • Stride：步长越大，特征图越小 • 手把手教你设计每一层的参数 |
📌 如何获取最新更新？
- 点击右上角「关注」，不错过每一篇新教程
- 收藏本文，专栏更新后我会在此同步追加新链接
- 如有疑问，欢迎在对应文章评论区留言
如果本专栏对你有帮助，欢迎点赞、收藏、分享！🙏
 agent和组件)