先用 Python 亲手搭一版

原则释读

书里坚持自己写类、自己读 CSV、自己做缩放，不是因为作者反对框架，而是因为框架太强大时，初学者反而容易错过机制层。先手写一版，是在为以后使用更复杂工具打地基。

为什么重要

没有这一步，很多人会在工程层很快上手，却始终说不清模型到底在学什么。

怎么用到自己的学习/工程系统

至少独立写一次 __init__、train、query 三段最小网络代码。

行动规则

• 先会写，再会调用。
• 类结构是在固定思考边界。
• 自己做一版最小实现，理解会稳很多。

常见误区

• 直接跳进大框架。
• 只会复制 Notebook 而不理解对象结构。

辨析题

为什么作者这么执着于让读者自己写神经网络类？

关联章节

关联图版

封面

封面：把神经网络拆到可以亲手写出来

封面像这本书的总入口：它提醒你，神经网络并不一定要从高门槛开始，它也可以从一张能被你手工追踪的结构图开始。

图解

从直觉、代码到实验的学习阶梯

图解型图版适合快速复盘，因为它把正文里分散的建模机制压成结构，方便你随手抓回主线。

清单

神经网络类骨架：初始化、训练、查询

清单型图版的价值，在于把抽象技术提醒压成动作顺序，让你更容易从理解走到复现。

图解

MNIST 训练流程：读取、缩放、编码、训练、测试

图解型图版适合快速复盘，因为它把正文里分散的建模机制压成结构，方便你随手抓回主线。

表格

像素数组与测试样本的对应关系

表格式图版特别适合转译成自己的建模清单、实验提示卡和复盘对照表，而不是只停留在‘看懂了’。

封面

树莓派 Zero：低成本也能跑神经网络实验

封面像这本书的总入口：它提醒你，神经网络并不一定要从高门槛开始，它也可以从一张能被你手工追踪的结构图开始。

图表

树莓派上的 Jupyter 环境

图表在这里更像训练透视图：它帮助你看见性能、变化率和参数关系，而不是只记住一句口号。