前馈神经网络是Zui简单的神经网络结构,各神经元分层排列,每个神经元只与前一层的神经元......

本文档基于 PyTorch 从零实现前馈神经网络，涵盖感知机的代码实现与局限性验证、前馈神经网络解决异或问题的完整代码及逐行解析、激活函数的可视化对比、训练循环的逐步拆解，以及一个完整可运行的综合示例。哈哈，通过理论与实践相结合的方式，帮助读者深入理解前馈神经网络的代码实现细节 🛠️，你懂的！

📖 前置阅读本文档是啥啥啥的配套代码实现篇，建议先阅读概念篇再动手写代码，害！

flowchart LR A:::setup --> B:::code B --> C:::limit C --> D:::fnn D --> E:::viz E --> F:::example F --> G:::summary classDef setup fill:#e3f2fd,stroke:#1565c0 classDef code fill:#e8f5e9,stroke:#2e7d32 classDef limit fill:#fff3e0,stroke:#ef6c00 classDef fnn fill:#f3e5f5,stroke:#6a1b9a classDef viz fill:#fce4ec,stroke:#c62828 classDef example fill:#e0f2f1,stroke:#00695c classDef summary fill:#e0f2f1,stroke:#00695c

阅读顺序说明咱就是说你Ke以按照这个流程图来阅读。

本章确认 PyTorch 安装并导入必要库，说实话，这一步hen重要！

在开始写代码之前，请确保你的环境中Yi经安装了 PyTorch，嗯，Ru果还没有安装，Ke以参考某某某教程。

我们需要导入以下库：

import torch import torch.nn as nn import torch.optim as optim import matplotlib.pyplot as plt import numpy as np from typing import Tuple, List

torchPyTorch 核心库，提供张量运算和自动求导，关键！

torch.nn神经网络模块，包含各种层和损失函数，hen有用！

torch.optim优化器模块，包含 SGD、Adam 等，你懂的！

numpy用于数据处理和辅助计算，嗯，hen常用！

💡 Ru果你还没有安装 matplotlib，Ke以用 pip install matplotlib 快速安装，不难！

本章从零实现感知机，验证它Neng解决线性可分问题，挺有意思的！

感知机是神经网络的Zui简形式，它只有输入层和输出层，没有隐藏层，简单来说就是这样。

y = step

其中：这个公式hen重要，你要记住。

感知机本质上是在空间中找一条分界线，把两类数据分开，对于二维输入，这条分界线就是一条直线，不对不对，应该是超平面！

. 感知机实现 🔍

class Perceptron: def __init__ -> None: super.__init__ self.linear = nn.Linear self.sigmoid = nn.Sigmoid def forward -> torch.Tensor: x = self.linear x = self.sigmoid return x 训练感知机解决 AND 问题 🔍

AND 逻辑门的真值表：这个表hen重要，你要理解。

AND 问题是 线性可分 的——Ke以用一条直线把输出为 和输出为 的点分开，说实话，这hen关键！

Xand: torch.Tensor = torch.tensor yand: torch.Tensor = torch.tensor

model_and: Perceptron = Perceptron criterion: nn.BCELoss = nn.BCELoss optimizer: optim.SGD = optim.SGD, lr=0.1)

for epoch in range: outputs: torch.Tensor = model_and loss: torch.Tensor = criterion

optimizer.zero_grad loss.backward optimizer.step

if % 100 == 0: print:.4f}')

with torch.nograd: predicted: torch.Tensor = modeland predicted_class: torch.Tensor = .float print.tolist}')

. 前馈神经网络解决XOR 🔧

前馈神经网络相比感知机有两个关键改进， 两个组件缺一不可 ：你一定要记住这一点！

class FeedforwardNN: def init: super.init self.fc1 = nn.Linear self.relu = nn.ReLU self.fc2 = nn.Linear self.sigmoid = nn.Sigmoid

def forward: x = self.relu) x = self.sigmoid) return x

model = FeedforwardNN criterion = nn.BCELoss optimizer = optim.Adam, lr=0.01)

for epoch in range: # 省略具体代码...

. 可视化与 🎨

通过可视化理解激活函数的作用，说实话，这hen重要！

x_vals = np.linspace plt.plot).numpy, label='ReLU')

plt.legend plt.show

. Zui终 📚

感知机只Neng解决线性可分问题，如AND/OR；但无法解决XOR这种线性不可分问题——这是历史上有名的“XOR难题”；

前馈神经网络通过引入隐藏层+非线性激活函数成功解决了XOR问题；其关键在于非线性带来了geng强的表达Neng力；

ReLU是现代深度学习Zui常用的激活函数之一，因其计算简单且有效缓解了部分梯度消失问题；但需要注意的是它可Neng导致某些神经元“死亡”。

Zui后geng新时间：2025-01-15 欢迎在评论区交流讨论！ 如有帮助，请点赞 👍 支持一下 ❤️ 感谢阅读 🎉 完结撒花 🌼 本篇原创文章Yi首发。。。 希望大家多多支持我的原创创作！ 觉得这篇文章对你有帮助吗？来点个赞👍吧！ 或者留下你的想法🤔？ 你的反馈是我继续创作的动力🔥！ 想kangeng多类似的技术分享？欢迎关注我的geng新📚！ 下次见 👋， Bye for now 👋 The end 🎉 👏 Thanks for reading!

---