NovaNN：从零构建的深度学习教育框架，理解而非调用

本文介绍NovaNN，一个纯Python从零实现的深度学习框架，旨在帮助学习者理解现代框架（如PyTorch）的内部机制，而非仅仅调用API。

• 原作者/维护者： JOSE-MDG
• 来源平台： GitHub
• 原始项目名称： NovaNN
• 原始链接： https://github.com/JOSE-MDG/NovaNN
• 发布时间： 2026年5月23日
• 许可证： MIT
• Python版本： 3.14
• 当前版本： 4.0.4

---

NovaNN诞生于一个清晰的核心理念："不要使用现有框架的魔法，而是亲手构建它。"

在深度学习领域，PyTorch和TensorFlow等工业级框架提供了强大的抽象，让开发者能够快速搭建和训练模型。然而，这种便利性也带来了副作用——许多人能够熟练调用API，却对框架内部的机制一知半解。NovaNN正是为了填补这一认知鸿沟而设计的。

该框架完全使用Python从零实现，以NumPy作为数值计算后端，不依赖任何外部深度学习引擎。通过亲手实现自动微分、计算图、神经网络层、优化器等核心组件，学习者能够真正理解现代深度学习框架的工作原理。

---

NovaNN的核心是其自动微分系统，支持动态计算图的构建和反向传播：

• 梯度追踪： 通过requires_grad标记需要计算梯度的张量
• 计算图构建： 每次前向传播动态构建计算图
• 自动反向传播： 调用.backward()自动计算所有梯度
• 梯度累积： 支持多步反向传播的梯度累加

这种设计与PyTorch的Autograd系统类似，让学习者能够理解梯度如何在计算图中流动。

NovaNN提供了一系列标准的神经网络层，接口设计借鉴PyTorch的nn.Module：

• Linear： 全连接层，实现矩阵乘法和偏置相加
• Conv2d： 二维卷积层，支持自定义卷积核、步长、填充
• Activation： ReLU、Sigmoid、Tanh等激活函数
• Normalization： 批归一化等归一化层
• Dropout： 随机失活正则化

每个层都实现了forward和backward方法，清晰展示前向计算和梯度反向传播的过程。

框架内置了多种优化算法：

• SGD： 随机梯度下降，支持动量
• Adam： 自适应矩估计，结合了Momentum和RMSProp的优点
• 学习率调度： 支持步进衰减、余弦退火等策略

提供了深度学习中常用的损失函数和评估指标：

• 损失函数： MSE、交叉熵、二元交叉熵等
• 评估指标： 准确率、精确率、召回率、F1分数、ROC-AUC等

---

import nova
import nova.nn as nn

# 创建需要梯度追踪的张量
x = nova.tensor([[0.5, -0.2]], requires_grad=True)
w = nova.tensor([[1.0], [0.5]], requires_grad=True)
b = nova.tensor([0.1], requires_grad=True)

# 手动前向传播
y = x @ w + b
loss = (y ** 2).sum()

# 自动反向传播
loss.backward()

print(f"Loss: {loss.item()}")  # Loss: 0.25
print(f"x的梯度: {x.grad}")    # 自动计算的梯度
print(f"w的梯度: {w.grad}")
print(f"b的梯度: {b.grad}")