线性层就像一个 "特征打分器"，它的工作原理可以类比为老师给学生作业打分：
- 输入特征（x1-x5）：相当于作业的各个评分项（比如解题步骤、书写工整度等）。
- 权重（w1-w5）：相当于每个评分项的重要程度（比如解题步骤权重 0.8，书写权重 0.2）。
- 偏置（b）：相当于基础分（比如所有项都 0 分也有 10 分基础分）。
线性层的计算过程就是：
总分 = 解题步骤得分 ×0.8 + 书写得分 ×0.2 + 基础分 10
假设我们有两类学生：
- 好学生（标签 1）：解题步骤正确且书写工整
- 一般学生（标签 0）：解题步骤错误或书写潦草
训练线性层的目标是调整权重和基础分，使得：
- 好学生的总分更高（比如平均分 80 分）
- 一般学生的总分更低（比如平均分 40 分）
这样就能通过总分快速区分两类学生。
假设我们要区分两类样本：
- 正类样本（标签 1）：第 1 个数 > 第 5 个数（比如 x=[0.6,0.2,0.3,0.4,0.1]，x [0]>x [4]）
- 负类样本（标签 0）：第 1 个数≤第 5 个数（比如 x=[0.1,0.2,0.3,0.4,0.6]，x [0]≤x [4]）
线性层的任务是给 5 个特征分配权重，使得：
- 正类样本的线性输出（总分）更大：
比如让 x [0] 的权重 w1 更大（如 w1=0.8），x [4] 的权重 w5 更小（如 w5=-0.5），这样当 x [0] 大、x [4] 小时，总分会更高。
- 负类样本的线性输出（总分）更小：
当 x [0] 小、x [4] 大时，w1x[0] + w5x [4] 会变小，导致总分更低。
训练的过程就像调收音机的音量旋钮：
- 初始状态：权重和偏置是随机的（比如 w1=0.1，w5=0.1），此时正类和负类的总分可能混在一起，无法区分。
- 反向传播：模型发现 "预测错误" 时，会告诉线性层：
- 如果正类样本的总分不够高（比如只得了 50 分），就把 w1 调大一点，w5 调小一点，让下次类似样本的总分变高。
- 如果负类样本的总分太高（比如得了 60 分），就把 w1 调小一点，w5 调大一点，让下次类似样本的总分变低。
- 反复调整：经过多次训练（比如 20 轮），权重会逐渐优化，最终让正类样本的总分普遍 > 0，负类样本的总分普遍 < 0。
线性层输出的总分可能是任意实数（比如 - 5 到 + 5），而 sigmoid 函数会把它转换为 0-1 之间的概率：
- 正类样本总分 > 0 → sigmoid (总分)>0.5 → 模型认为是正类的概率 > 50%
- 负类样本总分 < 0 → sigmoid (总分)<0.5 → 模型认为是负类的概率 > 50%
这就像把学生的总分转换为 "是好学生的概率"：
- 总分 80 分 → 概率 80%（是好学生）
- 总分 40 分 → 概率 20%（是好学生）
| 线性层的角色 | 类比场景 | 目标 |
|---|
| 输入特征 x1-x5 |
学生作业的各项评分 |
不同项组合区分好学生 / 一般学生 |
| 权重 w1-w5 |
各项评分的重要程度 |
让好学生的总分更高 |
| 偏置 b |
基础分 |
调整总分整体高低 |
| 线性输出（总分） |
学生的最终得分 |
好学生得分 > 0，一般学生 < 0 |
| sigmoid (总分) |
是好学生的概率 |
好学生概率 > 50%，一般 < 50% |
| 阈值 0.5 判断 |
按概率判断是否为好学生 |
概率 > 50% 判为好学生 |
线性层通过学习权重和偏置，本质上是在寻找一个 "打分规则"，使得：
- 正类样本（标签 1）的打分更高，转换为概率后 > 0.5
- 负类样本（标签 0）的打分更低，转换为概率后 < 0.5
这个过程不需要模型理解 "第 1 个数 > 第 5 个数" 的具体含义，只需要通过数据驱动，自动找到最能区分两类样本的打分方式。
浙公网安备 33010602011771号