人工智能入门学习——ANN、CNN基本概念和考试核心代码

一、ANN（人工神经网络）

ANN = 用多层"线性变换 + 非线性激活"拟合函数关系

复制代码

输入 → 加权求和 → 非线性 → 再加权 → 输出

2. 结构拆解（考试最常挖空）

（1）Linear（线性层）

复制代码

y = Wx + b

做"特征变换 / 维度映射" 例如：10维 → 64维 → 1维

（2）ReLU（激活函数）

复制代码

ReLU(x) = max(0, x)

加入"非线性"，否则整个网络只是线性回归

👉 没有 ReLU：ANN = 线性模型（很弱）

（3）Forward（前向传播）

复制代码

输入 → 一层层计算 → 得到预测值
x → Linear → ReLU → Linear → output

（4）Loss（损失函数）

衡量"预测错多少"

分类：CrossEntropyLoss

回归：MSELoss

（5）Optimizer（优化器）

根据 loss 更新参数 SGD Adam（最常用）

复制代码

W = W - lr * gradient

ANN通过多层Linear+ReLU进行非线性映射，在Forward中计算预测值，通过Loss衡量误差，并通过Optimizer反向更新参数。

二、CNN（卷积神经网络）

CNN = 处理"空间结构数据"（图像、遥感影像）

2. 每一层在干什么？

（1）Conv2d（卷积层）

核心作用：

提取局部特征（边缘、纹理、形状）小窗口滑动+权重共享

👉 关键点：局部感受野；参数共享（比ANN省参数）

（2）Pooling（池化）

压缩信息 + 保留关键特征

MaxPooling：取最大值 AvgPooling：取平均值

👉 作用：降维；防止过拟合；增强平移不变性

（3）Flatten

把"二维特征图"拉成一维向量

复制代码

(32, 32, 64) → 65536

（4）Linear（分类器）

把特征 → 最终类别
CNN通过卷积层提取局部空间特征，池化层进行降维与特征压缩，Flatten将特征展平后输入全连接层完成分类或回归任务。

三、核心代码

🧠 模板1：机器学习标准流程（SVM / RF / LR）

python 复制代码

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score / rmse / r2

# 1. 数据
X = ...
y = ...

# 2. 切分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 3. 模型
model = Model()

# 4. 训练
model.fit(X_train, y_train)

# 5. 预测
y_pred = model.predict(X_test)

# 6. 评价
score = metric(y_test, y_pred)

🧠 模板2：ANN（PyTorch）

python 复制代码

class ANN(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(in_dim, 64)
        self.fc2 = nn.Linear(64, 1)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

训练：

python 复制代码

model = ANN()
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(E):
    output = model(x)
    loss = criterion(output, y)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()

🧠 模板3：CNN（遥感分类）

python 复制代码

class CNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 16, 3)
        self.pool = nn.MaxPool2d(2)
        self.fc = nn.Linear(16*X, num_classes)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

🧠 模板8：Accuracy

python 复制代码

from sklearn.metrics import accuracy_score
acc = accuracy_score(y_true, y_pred)

🧠 模板9：RMSE / MAE / R²

python 复制代码

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

rmse = mean_squared_error(y_true, y_pred, squared=False)
mae = mean_absolute_error(y_true, y_pred)
r2 = r2_score(y_true, y_pred)

🧠 模板10：绘图（必考）

python 复制代码

import matplotlib.pyplot as plt

plt.plot(loss_list)
plt.show()

plt.scatter(y_true, y_pred)
plt.show()