线性网络与MLP：入门两章攻略

线性回归：一切从一条直线开始

书里的第一个模型简单到可爱：猜房价。假设「房价 ≈ 面积 × w + b」，其中 w（权重）和 b（偏置）是电脑要自己学的两个数。写成公式就是 $y=wx+b$。学习的过程：先瞎猜一对 w、b，看猜得多离谱（损失函数），再往「更不离谱」的方向挪一点，重复几千次——这个「挪」的方法叫梯度下降。

梯度下降的白话版

蒙着眼睛下山：用脚探一探周围哪边最陡，就往那边迈一小步，再探、再迈。步长叫「学习率」：步太大容易冲过山谷，步太小天黑也下不了山。

MLP：给直线加上「弯」

现实不都是直线。多层感知机（MLP）在输入和输出之间加「隐藏层」，每层再接一个叫 ReLU 的开关（负数归零、正数放行）——就这一个简单的「掰弯」，网络就能拟合任意复杂的形状。书里用 Fashion-MNIST 数据集练手：6 万张 28×28 的小图，分 10 类衣物（T 恤、裤子、鞋……），一个两层 MLP 就能认对八成以上。

常见误区

层数越多越好？不一定。层数多了会「过拟合」——把训练题的答案背下来，换个新题就懵。书里专门讲了过拟合和应对办法（权重衰减、暂退法），值得精读。

练一练：找 10 个「房屋面积—价格」的真实挂牌数据，在纸上画点、徒手画一条直线，体会「拟合」在干什么。