SignBot：从零构建的单神经元神经网络——理解AI学习的本质

一个完全从零构建的单神经元神经网络项目，通过训练100个数字来分类正负数，帮助理解神经网络如何从数据中学习，而非使用硬编码逻辑。

当我们谈论人工智能和神经网络时，往往被复杂的架构和庞大的模型所震撼。然而，神经网络的核心原理其实可以用最简单的形式来理解。SignBot项目正是这样一个教学工具——它用最基础的单个神经元，展示了机器学习最本质的机制：从数据中学习规律，而非依赖人工编写的规则。

SignBot 是一个完全从零构建的神经网络项目，没有任何外部依赖，也没有使用AI生成的代码。它的目标很简单：训练一个单神经元网络，让它学会判断一个数字是正数还是负数，并给出预测的置信度。

复杂的深度网络往往让人望而生畏，而单神经元模型剥离了所有复杂性，让学习者能够专注于核心概念：

• 权重（Weights）：输入信号的强度调节
• 偏置（Bias）：激活的阈值调节
• 激活函数：引入非线性，决定输出
• 损失函数：衡量预测与真实的差距
• 梯度下降：通过误差调整参数

单神经元的决策过程完全透明：

输出 = 激活函数(权重 × 输入 + 偏置)

没有黑箱，每一步都可以追踪和理解。

项目选择了一个看似简单但蕴含深意的问题：判断一个数字的符号。

• 直观易懂：正负是数学基础概念
• 二分类问题：是机器学习的经典入门场景
• 线性可分：单神经元可以完美解决
• 可验证性：结果容易检验

项目使用100个数字进行训练：

• 正数样本：如 1, 2, 3, ..., 50
• 负数样本：如 -1, -2, -3, ..., -50