从零手写神经网络：chexvision-mini 纯NumPy实现医疗影像分类

本文介绍chexvision-mini项目，该项目完全使用NumPy从零实现多层感知机（MLP），无任何深度学习框架依赖，通过手写前向传播、反向传播和优化器，实现胸部X光片异常检测。项目核心目标是展示对神经网络底层数学原理的理解，为学习者提供透明可验证的实现范例。

在深度学习框架普及的今天，理解神经网络底层原理的开发者渐少。chexvision-mini反其道而行，作为CheXVision胸部X光分析项目的配套教学实现，纯NumPy实现完整MLP，无自动微分或框架依赖。核心任务：将胸部X光片压缩为64×64灰度图，展平为4096维向量输入网络，输出异常概率。应用场景包括医学影像教学、神经网络原理验证、算法面试准备及资源受限环境下的初筛。

网络架构：输入层4096维（64×64展平）→隐藏层1（1024神经元+ReLU）→隐藏层2（256+ReLU）→隐藏层3（64+ReLU）→输出层（1神经元+Sigmoid）。

核心组件：1. Layers：Linear层（矩阵乘法+偏置）、ReLU/Sigmoid激活、He初始化；2. Loss：二元交叉熵损失（带Logits，数值稳定）；3. 反向传播：链式法则逐层计算梯度（权重、偏置、前层梯度）；4. 优化器：SGD（可选动量）、RMSProp、Adam（默认）；5. 正则化：Dropout、L1/L2惩罚。

数据处理：支持合成数据、本地流式、Kaggle完整训练三种模式；预处理（下采样64×64、展平）、标准化（z-score）、数据增强（水平翻转、噪声、亮度调整）、标签生成（No Finding为0，其余1）。

训练循环：每个epoch打乱数据→mini-batch前向传播→计算BCE损失→反向传播→优化器更新权重→验证集评估AUC→保存最佳检查点→余弦学习率衰减。

梯度检查：通过数值微分与解析梯度对比（精度1e-6）验证反向传播正确性。

训练在Kaggle CPU内核完成，评估指标包括ROC-AUC（主要）、准确率、精确率/召回率/F1、混淆矩阵。项目不追求与CheXVision的DenseNet模型（AUC≈0.787）竞争，价值在于透明的手写实现、梯度检查验证的正确性、未触碰测试集的诚实评估及完整推理路径。

学习路径：按顺序阅读layers.py→losses.py→network.py→gradcheck.py→optim.py→regularizers.py→data.py+augment.py→train.py→metrics.py→inference.py。

快速开始：安装依赖pip install -e ".[dev]"；离线测试python -m chexvision_mini --mode synthetic；本地测试--mode local；运行测试pytest tests/ -v；推理python -m chexvision_mini predict --checkpoint artifacts --image xray.png。

技术亮点：1. 教育价值优先于性能；2. 纯NumPy可行性证明；3. 严谨工程实践（梯度检查、数据集分离、阈值选择在验证集）；4. 渐进式复杂度（合成→本地→完整训练）。

适用人群：深度学习初学者、算法面试者、教学工作者、需要透明基线模型的研究者。

chexvision-mini是精品教学项目，在框架黑盒普遍的时代，提醒我们理解底层原理是成为优秀ML工程师的必经之路。通过手写代码、验证梯度、诚实报告指标，展示了真正的工程素养，是深入理解神经网络工作原理的不可多得的实践资源。