AI深度学习，神经网络处理流程:
输入 → 前向 → 损失 → 反向 → 更新 → 预测。一、整体流程神经网络完整处理分为两大阶段： 1. 训练阶段（学参数 W, b）初始化 → 前向传播 → 算损失 → 反向传播 → 更新参数 → 循环2. 推理阶段（用模型）只前向传播，输出结果 二、详细流程 全连接网络 + 回归任务 0. 准备：数据、网络、初始化 1）构造数据（回归任务：y = wx + b）import torchimport torch.nn as nnimport torch.optim as optim# 造数据：y = 2x + 3 + 噪声x = torch.randn(1000, 1) # 输入y = 2 * x + 3 + 0.1 * torch.randn(1000, 1) # 真实标签2）定义神经网络class Net(nn.Module): def init (self): super().init() self.fc1 = nn.Linear(1, 1) # 一层线性：输入1，输出1 def forward(self, x): out = self.fc1(x) return outmodel = Net()3）参数初始化（W, b） 神经网络训练前必须初始化： - W：随机（He / Xavier）- b：通常0# 手动初始化演示nn.init.kaiming_normal_(model.fc1.weight) # Wnn.init.constant_(model.fc1.bias, 0.0) # b4）定义损失函数 + 优化器criterion = nn.MSELoss() # 回归损失optimizer = optim.SGD(model.parameters(), lr=0.1)1. 训练第一步：前向传播 Forward数据输入网络，用 W, b 计算预测值公式（单层线性）：\hat{y} = x \cdot W + by_pred = model(x) # 前向传播作用：- 用当前参数算出预测- 还没学习，只是瞎猜 2. 计算损失 Loss 衡量预测有多错：Loss = \frac{1}{N}\sum (y - \hat{y})^2loss = criterion(y_pred, y)3. 反向传播 Backward 求所有 W, b 对 Loss 的梯度\frac{\partial Loss}{\partial W},\quad \frac{\partial Loss}{\partial b}梯度含义： - 每个参数怎么变，会让 Loss 变小optimizer.zero_grad() # 清空旧梯度loss.backward() # 反向传播，计算梯度4. 参数更新（优化器走一步） 沿梯度反方向更新 W, b：W = W - \eta \cdot \nabla Wb = b - \eta \cdot \nabla boptimizer.step() # 更新参数每执行一次，模型就更准一点点。 5. 循环迭代（完整训练） 把上面4步循环很多次：epochs = 1000for epoch in range(epochs): # 1. 前向 y_pred = model(x) # 2. 损失 loss = criterion(y_pred, y) # 3. 反向 optimizer.zero_grad() loss.backward() # 4. 更新 optimizer.step() if epoch % 100 == 0: print(f'epoch {epoch}, loss: {loss.item():.4f}')训练过程本质：不断修正 W, b，让 loss 越来越小。 6. 训练结束：查看学到的参数 真实是 y=2x+3，模型学到的 W 和 b：print('W:', model.fc1.weight.item())print('b:', model.fc1.bias.item())会看到接近： - W ≈ 2- b ≈ 37. 推理 / 预测阶段（真正使用） 只前向传播，不更新参数# 测试新数据x_test = torch.tensor(\[5.0])model.eval() # 推理模式with torch.no_grad(): # 不计算梯度 y_test = model(x_test)print('预测结果:', y_test.item())