今天用 PyTorch 实现了一个识别数字“1”的二分类神经网络。
网络结构是：
784 → 25 → 15 → 1
一张 28×28 的图片会先展平成 784 个像素值，经过两个隐藏层，最后输出一个 0～1 的概率：
概率 ≥ 0.5：判断为数字 1 概率 < 0.5：判断为不是数字 1
今天主要学习了这些内容：
ToTensor()：把像素值转换到 0～1
Normalize()：把数据调整到以 0 为中心，帮助模型训练
view(-1)：把 28×28 图片展平为 784 个数字
DataLoader：按批次读取数据，并随机打乱
ReLU：隐藏层使用的激活函数
Sigmoid：把输出转换成概率
BCELoss：适合二分类问题的损失函数
Adam：根据梯度自动更新模型参数
训练循环的核心步骤是：
清空梯度 → 前向传播 → 计算损失 → 反向传播 → 更新参数
预测时使用：
model.eval() with torch.no_grad(): ...
这样可以关闭训练模式和梯度计算，节省内存，也不会修改模型参数。
今天最大的收获是：神经网络并不是一个黑盒，而是由数据预处理、线性层、激活函数、损失函数和优化器一步步组成的。接下来准备继续学习如何计算准确率，并尝试优化模型效果。
计算机 机器学习 自学