手工实现MLP神经网络：MNIST手写数字分类与优化探索

苟琪的神经网络第一次作业报告（MG213700091）详细探讨了如何使用多层感知机（MLP）对经典的MNIST手写数字数据集进行分类。MNIST是深度学习入门的常用数据集，因其相对简单，主要目标是理解基础的神经网络结构和实现过程。 作业的核心内容包括： 1. 基准线实现：苟琪首先介绍了最基础的MLP模型，即包含线性层和激活函数（如ReLU，而非sigmoid，以避免梯度消失问题）的架构。线性层的实现涉及forward函数计算输出值、backward函数用于反向传播计算梯度，以及update函数更新权重和偏置。 2. 数据处理：MNIST数据存储在ubyte文件中，需要特殊方式读取，如解析magic number、图像数量、尺寸等。苟琪还构建了自己的数据集类（Dataset）和数据加载器（Dataloader），实现了getitem、len和next等方法，以便高效地处理数据集。 3. 实验与改进：在实现了基本的MLP后，苟琪对任务中的各项改进进行了尝试，包括可能的优化和对比分析。他针对每个改进措施进行了详细的解释，展示了与基准模型的性能对比，并讨论了各自的优缺点。 这份报告不仅展示了神经网络的基本构建，还涵盖了数据预处理、模型训练和优化的重要环节。通过这个项目，苟琪不仅验证了MLP的可行性，还在实践中加深了对神经网络工作原理的理解。值得注意的是，整个过程都是基于numpy库完成的，没有依赖深度学习框架，这显示了对底层算法的扎实掌握。