为什么神经网络要先被写成一个可复用的 Python 类
这节解决什么：这一节主要解决的是：当你面对《第2章 使用Python进行DIY》里的核心困境时，究竟该先抓哪个变量，才能让抽象困惑变成可执行实验。
怎么用到自己的系统：适合拿来重新定义你现在真正卡住的是结构直觉、公式翻译还是代码落地。 你可以直接把“为什么神经网络要先被写成一个可复用的 Python 类”改写成自己接下来七天的一项微实验。
提醒：常见误区是看完觉得道理都懂，却没有把问题写成具体情境。
章节
第2章 使用Python进行DIY
把上一章的机制翻译成类、函数、数据缩放和 MNIST 训练流程，神经网络才真正开始可运行
第 2 章从 Python 环境讲到神经网络类骨架，再落到 MNIST 数据集，为读者搭起第一条可执行实验链路。
章节主张
理解神经网络的第二步，不是再学更多理论，而是把它写成一个能初始化、训练、查询的数据对象。
中文释读
这一章的贡献是把前一章的机制层知识全部翻译成程序结构。输入层节点数、隐藏层节点数、输出层节点数、学习率，这些不再只是抽象参数，而变成类初始化时必须明确的设计决定。MNIST 的引入也非常关键，因为它让读者第一次站到机器学习真正的工作流里：数据分训练集与测试集，像素需要缩放，标签需要编码，模型表现必须在未见数据上验证。换句话说，神经网络从这里开始，不再只是纸上的会算公式，而是一个能够接收数据、产生输出并接受评价的程序系统。
本章知识路线
关键论点
- 把神经网络写成类，等于把模型结构、训练逻辑和查询动作稳定成可复用接口。
- 学习率、节点数量和数据缩放并非细节，它们决定训练是否稳定。
- 训练集与测试集分离，是机器学习里防止自我欺骗的基本纪律。
- MNIST 的价值不只是简单，而是它提供了一块可比较、可复现的公共试验田。
行动清单
- 自己确认 __init__、train、query 三个函数各自承担什么任务。
- 把数据缩放、标签编码和权重初始化当成模型的一部分，而不是附属清洗。
- 始终把训练表现和测试表现分开看。
- 当模型结果不稳定时，优先回查学习率、输入缩放和网络规模。
源章节深读
学习率、节点规模和权重初始化分别在控制什么
这节解决什么：这一节主要解决的是：当你面对《第2章 使用Python进行DIY》里的核心困境时，究竟该先抓哪个变量，才能让抽象困惑变成可执行实验。
怎么用到自己的系统：适合改写成自己这一周马上能执行的一条建模提醒或实验限制条件。 你可以直接把“学习率、节点规模和权重初始化分别在控制什么”改写成自己接下来七天的一项微实验。
提醒：常见误区是一下改太多，结果无法判断究竟哪一步有效。
MNIST 为什么会成为这本书的核心练习场
这节解决什么：这一节主要解决的是：当你面对《第2章 使用Python进行DIY》里的核心困境时，究竟该先抓哪个变量，才能让抽象困惑变成可执行实验。
怎么用到自己的系统：适合和同伴、搭档或团队讨论，看你是否在用错数据、误解了梯度或跳过了验证。 你可以直接把“MNIST 为什么会成为这本书的核心练习场”改写成自己接下来七天的一项微实验。
提醒：常见误区是把建议听成结论，而不是把它当成校准提示。
训练集与测试集分离如何防止模型只是记住答案
这节解决什么：这一节主要解决的是：当你面对《第2章 使用Python进行DIY》里的核心困境时，究竟该先抓哪个变量，才能让抽象困惑变成可执行实验。
怎么用到自己的系统：适合在下一次训练或实验开始前提前布置，不要等结果混乱后才想起来。 你可以直接把“训练集与测试集分离如何防止模型只是记住答案”改写成自己接下来七天的一项微实验。
提醒：常见误区是等风险已经成型时才补救，成本会更高。
辨析题
为什么作者在真正跑 MNIST 之前，先让你自己搭神经网络类骨架？
因为一旦类的结构和数据流没有想清楚，后面的训练结果再漂亮，也只是机械复读别人代码。
