# deep_learning_project

**Repository Path**: oneday150/study

## Basic Information

- **Project Name**: deep_learning_project
- **Description**: 深度学习知识点平台。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-09-11
- **Last Updated**: 2025-11-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 深度学习核心知识点学习平台

#### 项目简介
本项目是一个基于 Streamlit 构建的交互式深度学习核心知识点学习平台，旨在通过直观的可视化演示、详尽的原理解析和可运行的代码示例，帮助学习者快速掌握深度学习的核心概念与算法逻辑。平台覆盖从神经网络基础结构到模型训练优化的全流程知识点，支持实时参数调整与动态效果预览，适配从新手入门到进阶巩固的不同学习需求。

#### 核心功能
1. 模块化知识体系：涵盖 9 大深度学习核心模块，形成完整的知识闭环
2. 交互这里是列表文本式可视化：通过动态图表展示算法原理，支持参数实时调整与效果预览
3. 多维度代码实现：提供手动推导与 PyTorch 框架实现，兼顾原理理解与工程实践
4. 响应式布局设计：支持宽屏显示与移动端适配，优化学习体验

#### 核心模块详解
1. 神经网络基础（neural_networks.py）
- 核心内容：神经元计算原理、网络分层结构、激活函数作用
- 交互功能：动态调整输入层 / 隐藏层 / 输出层神经元数量，实时生成网络结构示意图
- 代码示例：单个神经元计算实现、神经网络类定义、前向传播过程演示

2. 前向传播（forward_propagation.py）
- 核心内容：线性变换与非线性激活交替计算流程、多层网络数据流动逻辑
- 交互功能：配置隐藏层神经元数量与激活函数类型，可视化前向传播完整计算步骤
- 代码示例：NumPy 手动实现、PyTorch 框架实现、单样本分步计算验证

3. 反向传播（backward_propagation.py）
- 核心内容：链式法则应用、误差项反向传递、参数梯度计算与更新
- 交互功能：调整学习率与训练轮次，观察损失变化曲线与参数优化轨迹
- 代码示例：单神经元手动推导、深层网络 PyTorch 自动求导、梯度计算正确性验证

4. 激活函数（activation_functions.py）
- 核心内容：Sigmoid、ReLU、Leaky ReLU、Tanh 等主流激活函数的数学特性与适用场景
- 交互功能：拖动输入值滑块，实时查看各激活函数的输出值与梯度变化
- 代码示例：PyTorch 内置函数调用、手动实现代码、训练过程中的应用示例

5. 损失函数（loss_functions.py）
- 核心内容：回归任务（MSE、MAE、Huber）与分类任务（交叉熵）损失函数原理
- 交互功能：选择任务类型，输入真实值与预测值，对比不同损失函数计算结果
- 代码示例：NumPy 底层实现、PyTorch 内置 API 使用、异常值影响分析实验

6. 优化器（optimizers.py）
- 核心内容：GD、SGD、Momentum、NAG、AdaGrad、RMSprop、Adam 等 8 种优化器特性对比
- 交互功能：选择测试函数与学习率，可视化不同优化器的优化路径差异
- 代码示例：基础实现与进阶实践、工业界最佳参数配置、训练效果对比实验

7. 学习率调度器（LR_scheduler.py）
- 核心内容：StepLR、MultiStepLR、CosineAnnealingLR 等 6 种调度策略原理
- 交互功能：配置调度器参数，对比不同策略的学习率变化曲线与训练收敛效果
- 代码示例：PyTorch 调度器初始化、训练循环集成、动态调整逻辑实现

8. 正则化（regularization.py）
- 核心内容：L1/L2 正则化、Elastic Net、Dropout、权重衰减等防过拟合技术
- 交互功能：调整正则化强度与 Dropout 概率，观察权重变化与神经元失活效果
- 代码示例：自定义正则化损失函数、PyTorch 内置实现、泛化能力提升实验

#### 技术栈

- 前端框架：Streamlit
- 数值计算：NumPy、PyTorch
- 可视化工具：Matplotlib、Plotly
- 代码运行环境：Python 3.10+

#### 目录结构

deep-learning-platform/
├── app.py                  # 应用入口（主程序）
├── README.md               # 项目说明文档
├── pages/                  # 各知识点模块页面
│   ├── home.py             # 首页
│   ├── neural_networks.py  # 神经网络基础
│   ├── forward_propagation.py  # 前向传播
│   ├── backward_propagation.py # 反向传播
│   ├── activation_functions.py # 激活函数
│   ├── loss_functions.py   # 损失函数
│   ├── optimizers.py       # 优化器
│   ├── LR_scheduler.py     # 学习率调度器
│   └── regularization.py   # 正则化
└── visualizations/         # 可视化函数库
    ├── function_visualization.py # 函数可视化（激活函数、损失函数等）
    ├── network_visualization.py  # 网络结构可视化
    └── training_visualization.py # 训练过程可视化

#### 快速开始

- 环境搭建
    1. 克隆项目仓库
git clone <仓库地址>
cd deep-learning-platform

    2. 安装依赖包
pip install -r requirements.txt
核心依赖：streamlit numpy matplotlib plotly torch

- 运行应用
streamlit run app.py

#### 项目指南

1.   **导航操作** ：通过左侧侧边栏的 "选择学习模块" 单选框切换知识点
2.   **交互操作** ：
    - 滑块组件：调整参数值（如学习率、神经元数量等）
    - 按钮组件：触发代码展示、训练对比等操作
    - 展开面板：查看详细的原理推导与公式解析
3.   **代码使用** ：各模块右侧代码区提供可直接复制运行的示例代码，支持本地调试与扩展

#### 学习路径建议

1.  **基础入门** ：神经网络基础 → 激活函数 → 前向传播
2.  **核心原理** ：损失函数 → 反向传播 → 优化器
3.  **进阶优化** ：正则化 → 学习率调度器
4.  **综合实践** ：结合各模块知识，通过代码示例复现完整训练流程

#### 注意事项

1. 部分可视化功能依赖 matplotlib 与 plotly，确保相关依赖包版本兼容
2. PyTorch 代码示例需确保 CUDA 环境配置正确（如需 GPU 加速）
3. 调整参数时建议逐步修改，便于观察单一变量对结果的影响
4. 代码运行过程中如遇内存占用过高，可减少批量大小或降低网络复杂度

#### 扩展与贡献

1. 新增深度学习知识点模块（如批归一化、注意力机制等）
2. 优化可视化效果与交互体验
3. 补充更多框架的代码实现（如 TensorFlow）
4. 修复潜在 bug 与优化性能