Pytorch神经网络入门，使用MNIST数据集的手写数字识别，小白入门，尽量把每一步搞明白，记录遇到的问题。基于Pytorch简单实现了一个卷积神经网络CNN和前馈神经网络FNN。
MNIST数据集真的是是机器学习神经网络入门的经典数据集，这些工作最早都是深度学习三巨头之一Yann LeCun做的，在89年发表论文使用反向传播和神经网络识别手写数字，98年提出LeNet5卷积神经网络。数据集链接：http://yann.lecun.com/exdb/mnist/

一、神经网络

1.一般的神经网络

一般的卷积神经网络包括输入层、隐藏层和输出层，隐藏层可能会有多层，层与层之间是全连接的：在这里插入图片描述
输入和输出之间的关系为：
在这里插入图片描述
最终下一层的输出还要经过一个激活函数，直观的讲可以说是引入非线性：
在这里插入图片描述
在这里插入图片描述
本例中基于mnist数据集设计的前馈神经网络结构可以表示成这样：
在这里插入图片描述

2.卷积神经网络

相比于一般的神经网络，卷积神经网络是在隐藏层之前增加了卷积层和池化层。本例中结构：
在这里插入图片描述

3.反向传播bp算法

二、Pytorch实现cnn、fnn

Pytorch实现卷积神经网络mnist数据集手写识别

# 神经网络 # 深度学习 # 人工智能 # 机器学习
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局