从零构建多层感知机：用纯Python实现神经网络分类MAGIC伽马射线数据

本项目由mhenry27开发，完全使用Python从零构建多层感知机（MLP），用于分类MAGIC伽马望远镜数据集。项目包含前向传播、反向传播、梯度下降及超参数调优的完整实现，旨在帮助学习者深入理解神经网络底层机制，具有较高的教育价值。

• 原作者/维护者: mhenry27
• 来源平台: GitHub
• 原项目名称: Neural-Network-Project
• 原始链接: https://github.com/mhenry27/Neural-Network-Project
• 发布时间: 2026年6月12日

MAGIC（Major Atmospheric Gamma Imaging Cherenkov）望远镜是位于加那利群岛拉帕尔马岛的两台大气切伦科夫望远镜，用于探测宇宙高能伽马射线。区分伽马射线信号与背景宇宙射线噪声是天体物理学关键任务。

MAGIC数据集包含伽马射线信号和背景宇宙射线噪声的特征，如椭圆度、尺寸、不对称性等，是经典机器学习基准数据集，具有真实世界科学数据特点（如特征缩放需求、类别不平衡等）。

项目最大亮点是不依赖任何深度学习框架，亲手实现核心组件：

1. 前向传播: 实现矩阵运算流程，包括线性变换（权重矩阵+偏置向量）和非线性激活函数应用，信息从输入层流向输出层。
2. 反向传播: 基于链式法则计算梯度，从输出层向输入层逐层传播误差信号，是网络学习的关键。
3. 梯度下降优化: 实现基础梯度下降算法，通过迭代更新权重和偏置最小化损失函数，为理解复杂优化器奠定基础。

项目对关键超参数进行系统研究：

• 隐藏层大小: 实验不同神经元数量影响，过小易欠拟合（无法捕捉复杂模式），过大易过拟合或训练效率下降。
• 学习率: 分析不同设置对收敛速度和最终性能的影响，学习率过大可能震荡不收敛，过小则收敛缓慢。

该项目对学习者价值显著：

• 原理理解: 亲手实现组件，深入理解神经网络工作原理，而非停留在API调用层面。
• 调试能力: 处理数值问题（如梯度消失/爆炸），培养实际调试技能。
• 性能优化: 理解计算图和内存使用，为高效实现打基础。
• 研究基础: 掌握底层机制后，更易理解和实现最新研究技术。

项目代码结构清晰、注释详尽，适合教学：

• 矩阵运算高效实现
• 支持多种激活函数（如Sigmoid、ReLU等）
• 损失函数计算与梯度推导
• 完整训练循环实现
• 模型评估指标计算

在深度学习框架高度抽象的时代，本项目提醒我们：理解基础原理是掌握高级技术的必经之路。无论是面试准备、学术研究还是知识追求，从零构建神经网络都是值得尝试的练习。

项目展示了机器学习如何助力天体物理学研究，帮助科学家从海量数据中识别有价值的伽马射线信号。