ng灵魂画手镇楼（感谢炎蓉分享）

1 问题背景

210607周一，刚跟炎蓉交流了下，她已经自己用numpy手撸写了一个神经网络，尝试求解a+b+c（1<=a,b,c<=10）结果奇偶性问题，也就是二分类。

跑出来大概50%，跟蒙的一样，这个问题其实神经网络是做不好的，大家可以思考一下为什么，晚点再解释。

2 模型代码

但是求和后，判断值区间这类问题是能做好的，比如和是否大于15，这个我随便撸了个nn能做到99%。
或者更难一点，判断是否在10~20之间，这段代码可以做到 83%：

from pyxllib.xl import *
import torch
from torch import nn, optim
class ParityModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.classifier = nn.Sequential(
            nn.Linear(in_features=3, out_features=2),
            nn.Sigmoid(),
            nn.Linear(in_features=2, out_features=2),
            nn.Sigmoid(),
            nn.Linear(in_features=2, out_features=1),
            nn.Sigmoid(),
        )
    def forward(self, x):
        return self.classifier(x)
def train(epoch=10):
    n = 5000  # 数据量
    data = np.random.randint(1, 10, [n, 3])  # 数据
    model = ParityModel()  # 模型
    criteon = nn.BCELoss()  # 二分类交叉熵损失
    optimizer = optim.Adam(model.parameters(), lr=0.01)  # 学习器
    for e in range(epoch):
        acc = 0
        for x in data:
            y = 10 < sum(x) < 20
            logits = model(torch.Tensor(x))
            y_hat = 0 if logits < 0.5 else 1
            acc += (y == y_hat)  # 这里为了代码简洁方便，直接在训练中计算精度
            loss = criteon(logits, torch.Tensor([y]))
            # 清空之前梯度；进行该轮梯度反传；梯度更新
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
        get_xllog().info(f'第{e}轮精度：{acc / n:.2%}')
if __name__ == '__main__':
    train()

如果群里有python、numpy等基础比较薄弱的，建议可以提前接触、安装pytorch，用框架来实现一个nn，有兴趣的再深入自己把细节实现一遍。
安装pytorch： https://www.yuque.com/xlpr/pyxllib/install-pytorch

3 解释为什么做不好分类问题

二维情况下，决策函数是这样的

这里求和后，相当于数据特征只有一维
但严谨的说，这里是三个数字相加，真要画出来，其实是一个立体空间中的多个气泡

二维情况更复杂的，比如玫瑰图，决策函数是这样的

如果设计的模型太简单，比如是线性模型，就很可能变成这样，效果不好

奇偶数问题类比到二维的玫瑰图情况，就好比这里叶子数不只上面8片了，而是沿中心每旋转1个角度的直线，都在不断的0、1类别间切换，这样问题就太难了，远超玫瑰图。

炎蓉说这个更好理解，非要展现我灵魂画手的实力

PyTorch

奇偶数分类

1 问题背景

2 模型代码

3 解释为什么做不好分类问题