回归本源：用纯NumPy手写神经网络实现MNIST手写数字识别

在PyTorch和TensorFlow普及的今天，本项目通过纯NumPy实现前馈神经网络完成MNIST手写数字识别，旨在剥离框架封装的细节，帮助开发者理解神经网络的数学本质（如反向传播、梯度下降等），是一次"去框架化"的深度学习基础学习实践。

MNIST数据集含60000张训练图和10000张测试图，每张为28×28灰度图（对应0-9数字）。它作为教学工具的价值在于：规模适中（普通笔记本可快速训练）、任务直观（手写数字识别易理解）、能展示真实训练过程（批量处理、收敛曲线、过拟合等）。

项目实现的前馈网络（MLP）每层操作：

1. 线性变换：z = Wx + b（W为权重矩阵，x为输入向量，b为偏置）
2. 非线性激活：a = σ(z)（无激活则多层等价于单层，ReLU是常用隐藏层激活函数：f(x)=max(0,x)）
3. 输出层：Softmax函数将输出转为概率分布（确保非负且总和为1）。

训练核心是反向传播，基于链式法则：

• 前向传播：输入逐层传递得到预测，计算交叉熵损失（衡量预测与真实标签的距离）
• 反向传播：从损失出发，逐层计算参数的梯度（链式法则将局部梯度相乘得到总梯度） 手写实现需亲手推导梯度公式，建立对梯度来源与作用的直觉。

1. 权重初始化：避免零初始化（对称性陷阱），常用Xavier/He初始化
2. 批量处理：用矩阵运算支持小批量样本，平衡效率与稳定性
3. 学习率调度：实验线性/指数衰减等策略，优化收敛
4. 数值稳定性：Softmax需减输入最大值防止溢出（softmax(x)=exp(x-max(x))/sum(exp(x-max(x)))）

通过手写实现可自由实验：

• 调整隐藏层神经元数量/层数，观察模型容量与过拟合关系
• 更换激活函数（如Sigmoid→ReLU），感受训练速度变化
• 调整学习率，观察损失震荡情况 最终模型准确率可达97%以上，带来框架调用无法给予的深度参与感。

掌握手写MLP后可进阶：

1. 架构拓展：实现卷积层（提取空间特征）、循环层（处理序列）
2. 优化器进阶：实现Momentum、Adam等现代优化器
3. 正则化：添加Dropout、L2正则、Batch Normalization
4. 回归框架：再用PyTorch/TensorFlow时，能理解API背后的数学含义。

"从零实现"虽逆潮流，但如同理解发动机原理才能学好驾驶：本项目500行内浓缩了深度学习核心思想（前向传播、损失计算、反向传播、参数更新），是从"API调用者"转变为真正AI工程师的关键步骤。