纯Python从零实现MLP：理解神经网络核心机制的教学项目

本项目是面向初学者的课程级项目，仅使用Python标准库从零构建多层感知机（MLP），通过自行车租赁预测任务深入理解前向传播、反向传播和梯度下降。项目核心理念是优先理解底层机制而非追求高性能，填补深度学习框架封装带来的理解鸿沟，让学习者亲手实现每一步计算，透明掌握神经网络运作环节。

在PyTorch、TensorFlow等框架高度发达的今天，开发者常依赖封装好的工具，却对梯度下降、反向传播的底层计算缺乏清晰认知。本项目旨在填补这一鸿沟，核心目标不是最高性能，而是彻底理解每一个运作环节。项目作者称：“学完这个项目，PyTorch的.backward()将不再显得神奇。”

技术约束：核心实现仅使用Python标准库，禁止使用NumPy、PyTorch等库；先公式后代码，每个概念需有数学公式和示例再编码；辅助函数保持透明；需验证模型学习效果。 模型设计：单隐藏层MLP，输入层5神经元（对应5特征）、隐藏层可配置（默认6/8神经元，ReLU激活）、输出层1神经元（回归任务），损失函数MSE，优化器普通梯度下降。 课程大纲：12步循序渐进，从简单预测到MLP反向传播、训练及PyTorch对比。

实践任务：选择UCI自行车共享数据集（真实场景、直观、规模适中），提取hour、temperature等5个特征，目标变量为租赁数量；采用简单缩放策略（如hour/23、target/1000）便于梯度理解。 验证机制：1. 梯度正确性：用有限差分法对比数值斜率与手写梯度；2. 模型有效性：训练后需击败平均预测基线；另有数据检查、损失下降检查等清单。

适用人群：深度学习初学者、转专业开发者、教育者、框架使用者（对内部机制困惑者）。 学习建议：不要跳过数学，先理解公式再编码；动手修改参数（如学习率、隐藏层大小）观察影响；用有限差分法验证梯度；完成后对比PyTorch实现加深理解。

本项目代表“回归本源”的教学理念，从零实现看似低效，却能建立扎实的理解基础。其价值不仅在于训练出预测模型，更在于培养学习者对神经网络的直觉与信心。掌握底层机制后，再使用框架时能清晰理解.backward()等操作的本质，是深度学习本质学习者的精品项目。