神经网络知识回顾

前面两篇里，我们已经把词变成了向量。可是，词向量只回答了“输入如何表示”，还没回答“这些表示怎样变成预测”。例如，“例子很具体”和“例子太空洞”都可以被表示成一组数字，但情感标签不会自动从向量里跳出来。

这一篇做的事，就是把中间的桥搭好：我们先回到统计学习的基本问题，再从线性分类器走到多层前馈网络，然后把激活函数、交叉熵、优化和正则化串成一个能够实际运行的训练闭环。下一篇再专门拆解：这个闭环里的梯度，究竟怎样通过反向传播被计算出来。

先把学习问题说清楚

神经网络不是一个脱离统计学习的孤立工具。它仍然在处理同一个基本问题：给定带标签的样本 $(x_i, y_i)$，学到一个参数化函数 $f_\theta$，让它对没见过的输入也能作出合理预测。

在文本分类里，$x$ 可以是词袋、字符 n-gram、词向量的聚合，也可以是更复杂的句子表示；$y$ 可以是“正向/负向”、主题类别，或者每个词的词性标签。数据表示决定模型能看见什么，学习算法则决定它如何从这些可见信号里调整参数。

得分、分界面与间隔

先看二分类。线性模型为输入计算一个实数得分：

得分大于 $0$ 时预测正类，小于或等于 $0$ 时预测负类。$w^\top x+b=0$ 是决策边界；在两维特征空间里是一条直线，在更高维里是一个超平面。

如果多条边界都能分开训练样本，我们不只关心“现在分对了没有”，还关心样本离边界有多远。对 $y_i\in\{-1,+1\}$，带符号的得分 $y_i(w^\top x_i+b)$ 越大，该样本分对且离边界越远。更大的间隔通常对输入中的小扰动更稳定。这就是为什么“训练集全对”仍然不足以选出一条好边界。

训练集、验证集和测试集不能混用

训练集用来估计 $\theta$；验证集用来选学习率、正则强度、隐藏层宽度等超参数；测试集只在方案确定后评估一次。如果我们根据测试结果反复修模型，测试集就已经间接参与了训练，最终分数会过于乐观。

文本数据还有一个容易被忽略的问题：随机切分不一定足够。同一用户的高度相似文本、同一新闻事件的转载，如果同时出现在训练集和验证集，会造成数据泄漏。更接近真实上线环境的做法是按用户、时间或来源分组切分。

生成式与判别式：建模对象不同

生成式模型通常分解联合分布：

它先描述每个类别怎样“产生”输入，再用贝叶斯公式得到 $p(y\mid x)$。朴素贝叶斯文本分类就是一个典型例子：它会估计不同类别下各个词的出现概率。

判别式模型直接学 $p(y\mid x)$ 或一个能排序类别的得分函数。逻辑回归、大多数文本分类神经网络属于这个视角。它们不必为输入本身建立完整概率模型，而是集中处理决策。

两者不是“旧与新”的区别。当输入生成机制的假设合理、标注少或需要处理缺失变量时，生成式视角很有用；当特征复杂、最终目标就是预测 $y$ 时，直接的判别式训练往往更方便。

MLE 与 MAP：损失函数背后的概率视角

假设样本独立，最大似然估计（MLE）选择让观测数据最可能出现的参数：

最大后验估计（MAP）还加入参数先验 $p(\theta)$：

如果对权重使用以 $0$ 为中心的高斯先验，$-\log p(\theta)$ 会导出与 $\lVert\theta\rVert_2^2$ 同形的惩罚。所以“概率估计”和“正则化损失”并不是两套互不相干的语言。

试着拖动实验台里的 $w_1$、$w_2$ 和 $b$。你会看到：“训练点分对”只是一个条件，边界轻微旋转就可能让最近样本翻转。间隔显示的正是这种对扰动的缓冲空间。

从感知机到多层前馈网络

感知机做了两件事

感知机先用仿射变换将多个输入压成一个得分，再用阈值函数作决策：

它分错一个样本时，可以沿着让该样本得分变正确的方向更新：

这个规则非常直接：如果正样本被分错，就把 $w$ 向 $x$ 推一点；如果负样本被分错，就往反方向推。但它的决策边界仍是一个超平面。当任务需要 XOR 这样的弯曲或分段边界时，一个线性得分不够用。

多层不是简单地“多乘几个矩阵”

一个单隐藏层前馈网络可以写成：

其中 $x\in\mathbb{R}^{d_{\text{in}}}$，$W_1\in\mathbb{R}^{d_h\times d_{\text{in}}}$，，，。 里的 个数是各类别的 logits，也就是尚未归一化的得分。

如果拿掉 $\phi$，那么两层只是：

它仍然可以合并成一次仿射变换。隐藏层之所以有意义，关键是层与层之间的非线性函数 $\phi$。它让不同隐藏单元在输入空间中响应不同区域，后一层再将这些局部响应组合起来。

在 NLP 里，隐藏层学的是任务所需的组合

假设我们把一句话的词向量平均后作为 $x$。隐藏层中的一些单元可能对正面用语响应，一些对否定线索响应，还有一些对领域词响应。这种解释只是直观，真正的隐藏维度常常是分布式的，不会每一维都对应一个干净的人类概念。

语音识别也能看到同一框架。输入是连续的声学特征，网络可以为音素或状态输出得分；这些得分再与语言模型和搜索结合，得到词序列。文本分类、序列标注和语音识别的输入形式不同，但都在学习“表示 $\rightarrow$ 任务得分”这个映射。

激活函数决定信号怎样穿过网络

激活函数有两个同时发生的作用。向前看，它改变模型能表示的函数形状；向后看，它的导数会进入链式法则，决定梯度被保留、放大还是压小。

Sigmoid：适合概率门，不是默认隐藏层

Sigmoid 把实数压到 $(0,1)$，因此很适合表示一个二元门值或二分类概率。但当 $|z|$ 很大时，输出接近 $0$ 或 $1$，导数接近 $0$。深层网络中连续相乘这些小导数，前面层得到的更新信号就会非常弱。

Tanh 把输出改到 $(-1,1)$，零中心性比 Sigmoid 更好，但两端同样会饱和。所以这两个函数仍然常出现在需要有界门值的地方，却通常不是普通前馈隐藏层的首选。

ReLU：简单、分段线性，但有死区

当 $z>0$ 时，ReLU 的导数为 $1$，不会像饱和函数那样不断压小正半轴上的梯度。当 $z<0$ 时，输出和导数都为 $0$。这会产生稀疏激活，也可能让一个单元长期停在负半轴，得不到更新，俗称“死 ReLU”。

Leaky ReLU 在负半轴保留一个小斜率；GELU 则用平滑门控根据输入大小调节通过比例。在普通小型 MLP 里，ReLU 仍然是很好的默认起点；当负区域信号很重要或发现大量单元长期为零时，再考虑变体。

输出层要由任务决定

“二分类”和“多标签”容易混淆。如果每个样本只能在猫、狗、鸟中选一个，这是单标签多分类，类别之间竞争；如果一篇文档可以同时属于“科技”和“财经”，每个标签是独立二元判断，应用多个 sigmoid 语义。

初始化要尽量保住各层的尺度

如果初始权重太小，信号和梯度逐层缩小；如果太大，激活值可能爆炸，或把 Sigmoid/Tanh 推入饱和区。Xavier 初始化根据输入和输出单元数量调整方差，常用于双侧近线性的激活；Kaiming 初始化显式考虑 ReLU 截断负半轴的特点。

对标准正态分布的简化表达是：

这些规则是一个更可控的起点，不是“用了就一定能训好”的保证。网络结构、归一化、学习率和数据尺度仍然会影响信号传播。

把输入拖到很大的正值或负值，比较 Sigmoid、Tanh 和 ReLU 的导数。这个实验能把“饱和”从一个词变成可观察现象：函数曲线越平，局部导数越小，向前层传的学习信号也越弱。

交叉熵把分类错误变成可优化的数字

网络前向计算最后得到 logits $z_1,\ldots,z_C$。logit 只表示相对偏好，它可以是负数，也不要求总和为 $1$。Softmax 把它们变成条件概率：

给所有 logits 同时加上同一常数，softmax 结果不变。因此实现时可以先减去 $\max_j z_j$，避免对很大正数求指数而溢出：

交叉熵关心正确类别被分配了多少概率

对 one-hot 标签 $y$，单个样本的多分类交叉熵是：

模型给正确类别的概率越接近 $1$，损失越接近 $0$；如果它极度自信地选错，$p_y$ 接近 $0$，$-\log p_y$ 会变得很大。这个性质让“自信的错误”收到更强信号。

把所有样本的交叉熵加起来，就是分类条件分布的负对数似然。最小化交叉熵，等价于最大化正确标签在训练数据上的条件似然。这也把前面的 MLE 和神经网络损失连到了一起。

Softmax 和交叉熵组合后，梯度有很直观的形式

对每个 logit $z_k$：

正确类别上，$y_k=1$，梯度 $p_k-1$ 会把它的 logit 向上推；其他类别上，$y_k=0$，梯度 会把过高的错误 logit 向下压。预测越错且越自信，这个差异越大。

这也解释了为什么分类问题通常不直接对 softmax 概率使用均方误差。MSE 不是绝对不能用，但它与分类的似然结构不如交叉熵直接，且梯度还会受到概率变换导数的额外缩放。

PyTorch 中要把原始 logits 交给损失函数

nn.CrossEntropyLoss() 等价于数值稳定的 LogSoftmax + NLLLoss。模型的 forward 应返回 logits，不要先手动调用 softmax。在单一 logit 的二分类中，BCEWithLogitsLoss 同样把 sigmoid 和二元交叉熵合并起来，用 log-sum-exp 技巧提高数值稳定性。

试着保持正确类别不变，只拉大两个 logits 的差。你会看到概率变得更尖锐；如果尖锐方向与标签一致，损失下降，反之则快速上升。然后同时给所有 logits 加同一个数，验证概率和损失都不变。

优化器如何把梯度变成参数更新

到这里，我们已经有了一个可微的损失 $\mathcal L(\theta)$。梯度 $\nabla_\theta\mathcal L$ 指向局部增长最快的方向，所以最基本的梯度下降沿负梯度走：

$\eta$ 是学习率。太小时每次只移动一点，训练缓慢；太大时可能跨过低谷，在两侧震荡甚至发散。学习率不是“步数越大走得越快”那么简单，因为每步方向只是当前位置的局部信息。

为什么用 mini-batch

全批量梯度每次使用全部训练数据，方向稳定，但数据大时一步很贵。单样本 SGD 每看一条数据就更新，噪声大，却能频繁移动。Mini-batch 每次取 $B$ 个样本，是并行计算、内存占用和梯度噪声之间的折中：

批量大小改变后，梯度噪声、每轮更新次数和适合的学习率都可能改变。因此不应只为了占满内存而无限放大 batch。

动量用历史方向平滑震荡

当一个方向连续保持一致，动量会积累速度；当另一个方向来回改变符号，正负分量会相互抵消。在狭长损失峡谷里，这能减少横向摇摆，加快沿峡谷的前进。

Adam 为不同参数维度调整步长

Adam 同时维护梯度的一阶矩和二阶原点矩的指数移动平均：

初期 $m_t$ 和 $v_t$ 都从 $0$ 开始，因此需要做偏差修正：

平方梯度历史较大的维度，分母更大，实际步长被压小；稀疏或长期梯度较小的维度，则能保留较大的相对更新。这对大词表、稀疏特征很常见的 NLP 任务很方便。

但“Adam 前期损失下降快”不等于“它在每个任务上都泛化最好”。优化速度与最终测试效果是两个问题，仍需用验证集比较。

PyTorch 训练四步要理解顺序

optimizer.zero_grad(set_to_none=True)  # 清掉上一轮累积的梯度
logits = model(features)               # 前向计算
loss = criterion(logits, labels)       # 得到标量损失
loss.backward()                        # 为参数计算梯度
optimizer.step()                       # 用优化规则更新参数

PyTorch 默认会把梯度累加到 .grad 中，所以普通训练每轮需要先清梯度。有意设计的梯度累积是例外，但那时也必须同时处理损失缩放和更新频率。

把学习率调到较大，比较 SGD、动量和 Adam 的轨迹；再打开梯度噪声，观察历史平滑如何改变路径。这个实验不用来证明哪个优化器“永远最好”，而是帮你看到：优化器除了当前梯度，还可以携带哪些历史状态。

正则化与泛化：不要只把训练集背下来

一个参数很多的网络，可以将小型训练集拟合到几乎零损失。这只说明它有足够的容量记住已见样本，不说明它学到了新样本上稳定的规律。

泛化问题不只由模型容量决定。标签噪声、重复样本、领域变化、训练与上线的时间差异，都可以让验证指标失真。正则化能缓解其中一些问题，却不能修复错误的数据切分或严重的领域偏移。

权重惩罚与权重衰减

一个常见目标是在数据损失上加 $L_2$ 惩罚：

这会鼓励模型使用较小权重，降低对某些单一特征的极端敏感性。$\lambda$ 太小时约束不足，太大时参数被过度拉向零，训练与验证表现都可能变差。正确问题不是“要不要正则”，而是“当前数据量和模型容量下，约束多强”。

对普通 SGD，在适当缩放下，把 $L_2$ 惩罚的梯度加到更新里，与每步直接缩小权重可以对应。对 Adam 这类自适应优化器，两者不再等价，因为惩罚梯度会进入一阶、二阶状态。AdamW 将权重衰减从梯度的自适应更新中解耦：

这是文本模型中常选 AdamW 而不是把“Adam + L2”当成完全同义词的原因。

Dropout 在训练和推理时行为不同

训练时，Dropout 以概率 $p$ 将激活置零。PyTorch 使用 inverted dropout：保留下来的激活同时除以 $1-p$，使训练期的期望尺度与推理期接近。评估时 model.eval() 关闭随机丢弃，使用完整网络。

这个噪声机制让模型不能始终依赖同一组隐藏单元，但 Dropout 不是越大越好。在小网络、小数据或已经有强正则的场景中，过大 $p$ 会直接丢掉过多信号，导致欠拟合。

早停要看验证指标，不是看训练损失

一个典型过拟合轨迹是：训练损失继续下降，验证损失却已经回升。早停会保存验证指标最好的参数，并在连续若干轮没有改善后停止。这个“容忍轮数”很重要，因为 mini-batch 噪声会让验证指标短暂波动。

验证时要同时做两件事：调用 model.eval() 切换 Dropout 等模块的行为，并在 torch.no_grad() 中运行，避免为不需要反向传播的计算保留图。二者作用不同，不能相互替代。

文本分类的失败边界常在数据而不在网络层数

情感分类特别容易受否定、转折和领域影响。“画面不可预测”对电影可能是表扬，对方向盘却是严重批评；“并不难用”含有负面字词，整体却是正向。如果训练数据没有这些结构，只增加隐藏层宽度，往往只是更有能力记住已见模式。

实操：训练一个微型中文情感分类器

下面的实验故意保持小规模，让你能在 CPU 上快速跑完，也能看清整条链路。它使用字符 unigram 和 bigram 建词表，把每条文本变成一个多热向量，再交给带单隐藏层的 MLP。

这里不依赖额外的分词包或已弃用的文本教程 API。字符 n-gram 不能完整理解句法，但它能保留“解释清楚”这类局部片段，比单纯字符计数多一点组合信息。

完整代码

import random
from collections import Counter
 
import torch
from torch import nn
 
SEED = 7
random.seed(SEED)
torch.manual_seed(SEED)
 
train_data = [
    ("课程讲得清楚容易跟上", 1),
    ("这个工具稳定又省时间", 1),

如何运行与观察

实际结果应该怎样解读

在固定随机种子的 CPU 运行中，这份代码的训练和验证准确率都达到了 1.00，第一条自定义文本被判为正向。但否定句“并不难用，响应也不慢”被判为负向，输出的正向概率约为 0.006。

这个结果比一个完美的演示更有教学价值。它说明三件事：

• 代码链路运行正常，不代表任务已经解决。
• 四条验证样本全对，不代表验证集覆盖了真实语言变化。
• 网络只能利用输入表示中保留的线索。字符 n-gram 看得见“不难”，却不自动拥有一套稳定的否定作用域机制。

你可以继续做三个对照实验：去掉隐藏层，看线性模型的边界；把 ReLU 换成 Tanh，比较收敛速度；把 weight_decay 设为 0，再扩大隐藏层，比较训练与验证曲线。每次只改一个因素，否则无法判断结果变化来自哪里。

下一步：打开 loss.backward()

现在我们已经能解释前向计算、交叉熵和优化器，但训练循环里还有一个黑箱：loss.backward() 如何为每一层的矩阵和偏置计算梯度？

下一篇会从计算图和链式法则出发，手算一次两层网络的局部导数，再把它们与 PyTorch 自动求导的 .grad 对上。到那时，“训练”就不再是五行代码的固定仪式，而是一条能够逐节检查的数学链路。

把否定句加到训练集，再设计一组不重复原句的否定测试。这一步不是为了让模型记住某个反例，而是检查字符 bigram 能否从“不难”迁移到“不慢”等新组合。