本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 已在项目中添加友情链接 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 各位L大佬好，最近在钻研深度学习的底层数学原理，总觉得直接调包（PyTorch/TensorFlow）虽然爽，但对反向传播、权重衰减这些细节的理解总隔着一层雾。于是花了一点时间，撸了一个 仅依赖 NumPy 的手写数字识别项目。 【项目简介】 项目地址： https://github.com/leonyangdev/digit-recognizer 这是一个面向学习者的开源项目，实现了从零构建一个两层神经网络。 小册文档地址： 从零实现两层神经网络 【核心亮点】 零框架依赖 ：除了数学计算库 NumPy，没有使用任何深度学习框架，代码逻辑一眼到底。 硬核实现 ： 完整实现了前向传播与反向传播。 加入了 AdamW 优化器（在实现过程中纠正了关于 Weight Decay 和梯度波动关系的不少理解误区）。 包含 Cross-Entropy Loss 的推导逻辑。 适合人群 ： 跟我一样喜欢想看看数学公式如何变代码的同学。 想了解神经网络底层“加减乘除”到底是怎么运作的极客。 训练截图 【求支持】 如果这个项目对你有启发，或者你也喜欢这种“不造轮子不舒服”的风格，欢迎点个 Star 支持一下！ 也欢迎大家在评论区交流关于深度学习底层实现的各种坑，或者是对代码结构改进的建议。 3 个帖子 - 3 位参与者 阅读完整话题