鱼书-PH4-类的作用

《深度学习入门（基于 Python 的理论与实现）》中「类（class）」的核心作用

这本书大量用面向对象类封装神经网络、梯度计算、层结构、优化器，把零散函数打包成可复用、易维护、模块化的代码，是全书代码框架的根基。

一、通用层面：Python 类基础作用（书本前置知识点）

封装：把数据和绑定的方法打包在一起 变量（属性）+ 操作变量的函数（方法）放在同一个类里，不用全局变量乱传参数。例：神经网络权重W、偏置b是属性；前向传播forward()、反向传播backward()是方法。
实例化：批量创建独立对象 一个类可以生成多个互不干扰的实例。 比如同一种 Affine 层，可以实例化第一层、第二层，各自保存自己的参数，不会互相覆盖。
代码复用，减少重复冗余 不用每次写全连接层、激活函数都复制粘贴 forward/backward 代码，定义一次类即可反复调用。
便于扩展与继承 可以基于基础层类派生出新层，比如给基础激活层新增带 dropout 的子类。

二、本书深度学习代码里类的具体用途（对应书中网络结构）

1. 封装网络层（最核心）

书中所有网络组件全部用类实现：

Affine（全连接层）：保存权重W、偏置b，实现正向计算与反向求导更新参数
ReLU、Sigmoid：激活函数层，记录中间输入用于反向传播梯度回传
SoftmaxWithLoss：softmax 输出 + 交叉熵损失合为一类，同时计算损失与梯度

核心逻辑：每一层只需要实现两个固定接口

python

运行

python 复制代码

forward(x)  # 前向传播，输出下一层输入
backward(dout)  # 接收上游梯度，返回本层梯度、更新参数

类把层内状态（缓存输入、参数） 保存下来，反向传播时直接取用，不用手动存中间变量。

2. 搭建整体神经网络模型

TwoLayerNet（二层神经网络）是典型类：

属性：各层实例、权重参数、超参（学习率、权重衰减系数）
方法：
- predict()：推理预测
- loss()：计算损失值
- gradient()：数值梯度 / 解析梯度
- update()：参数迭代更新

整个网络被封装成一个对象，外部只需调用少量方法就能完成训练，结构清晰。

3. 封装优化器（梯度下降更新策略）

书中 SGD、Momentum、AdaGrad、Adam 全部写成类：

保存优化器自身状态（比如动量累积量、历史梯度平方和）
统一update(params, grads)方法，一键更新网络所有参数后续更换优化器只需要换一个类实例，主体训练代码完全不用改动。

4. 管理训练过程与参数状态

层在反向传播时需要缓存x、W等中间数据，类的实例属性天然用来存储临时变量；
训练时参数不断迭代，每个层实例独占自己的W/b，多网络并行训练不会参数混淆。

三、对比不用类（纯函数写法）的缺点

所有权重、中间结果要用字典 / 列表手动传递，参数极易混乱；
前向、反向代码高度重复，新增网络结构要大量复制代码；
无法单独复用某一层，代码耦合度极高；
可读性极差，很难区分哪段代码属于网络哪一部分。

四、极简总结（应试 / 笔记版）

封装：将网络层参数、中间数据、前向 / 反向运算方法绑定为整体；
模块化：拆分全连接、激活、损失、优化器等独立模块；
复用性：单类多次实例化，快速搭建多层神经网络；
规范化：统一 forward/backward 接口，构建链式反向传播计算图；
易维护扩展：新增网络结构、优化算法只需新增类，不改动原有代码

类定义与 __init__ 构造函数逐行注释

python 复制代码

# 定义Affine全连接层类
class Affine:
    # 构造方法：创建实例时自动执行，初始化层所有属性
    # W：权重矩阵  b：偏置向量，由上层网络传入
    def __init__(self, W, b):
        # 实例属性1：保存本层权重W
        self.W = W
        # 实例属性2：保存本层偏置b
        self.b = b
        
        # 实例属性3：缓存正向传播的输入x，反向求导必须用到
        self.x = None
        # 实例属性4：记录输入原始形状，兼容卷积后多维输入（图片四维数据）
        self.original_x_shape = None
        
        # 实例属性5：权重W的梯度，后续梯度下降更新W使用
        self.dW = None
        # 实例属性6：偏置b的梯度，后续梯度下降更新b使用
        self.db = None

forward 前向传播逐行拆解

python 复制代码

# 前向传播方法：接收输入x，输出本层计算结果out
def forward(self, x):
    # 步骤1：记录输入x最开始的形状（比如卷积输出是(N,C,H,W)四维）
    self.original_x_shape = x.shape
    # 步骤2：将除第一维（批量维度N）外所有维度展平，变成二维矩阵 (N, 特征总数)
    # -1 代表自动计算列数，把单张图片多维数据拉成一维向量
    x = x.reshape(x.shape[0], -1)
    # 步骤3：把展平后的x存入实例变量，反向传播要用
    self.x = x
    # 步骤4：核心仿射运算 X·W + b
    # np.dot矩阵乘法：(N,in) × (in,out) = (N,out)，再加偏置b
    out = np.dot(self.x, self.W) + self.b
    # 返回输出给下一层（激活函数/下一个Affine层）
    return out

backward 反向传播逐行拆解（梯度回传核心）

python 复制代码

# 反向传播：dout是上一层传回来的输出梯度 dL/dout
def backward(self, dout):
    # 公式推导：dx = dout · W^T
    # dout(N, out) × W.T(out, in) → dx(N, in)
    dx = np.dot(dout, self.W.T)
    # dW = X^T · dout  权重梯度，本层核心待更新梯度
    self.dW = np.dot(self.x.T, dout)
    # db：偏置梯度，按batch维度求和，axis=0压缩批量维度
    # dout形状(N,out)，sum后得到(1,out)即偏置梯度
    self.db = np.sum(dout, axis=0)
    # 把展平后的dx恢复成最开始输入x的原始四维/三维形状
    dx = dx.reshape(*self.original_x_shape)
    # 将dx（dL/dx）传回上一层，继续反向链式求导
    return dx