你的第一個神經網路

有了 Tensor 與 autograd,這堂課用 nn.Module 把它們組成一個真正的神經網路。我們搭一個小分類器,先看它「還沒訓練」時亂猜的樣子——下一課再教怎麼訓練它。

這堂課你會學到

• 用 nn.Module 定義網路、nn.Linear 當全連接層
• 理解激活函數(ReLU)為什麼不可少
• 跑一次 forward,數一數網路有幾個參數

沒有激活函數，網路只是一條直線

預覽圖的 two moons 是兩個交纏的半月,一條直線分不開——正好需要神經網路。

關鍵觀念:如果把 ReLU 這類激活函數拿掉,幾層 nn.Linear 疊起來在數學上仍只是一條直線(線性的線性還是線性),再多層也分不開半月。是非線性激活,才讓網路能彎曲決策邊界、學到複雜模式。

nn.Module 的慣例很簡單:在 __init__ 宣告各層,在 forward 描述資料怎麼流過。記住這個骨架,任何網路都是它的變形。

👉 在 Colab 裡把 forward 裡的 ReLU 全部移除,下一課訓練後你會看到它再也學不會半月。