之前a哥发过一些在深度学习领域常用的激活函数，有读者在后台私信问怎么使用这些激活函数。那么今天a哥就带大家看看如何利用这些去搭建神经网络。
以两个简单的例子入手，那么在搭建开始之前简要介绍一下应用场景。
场景一：金融风控与反欺诈系统
背景描述：
某金融机构正在开发新一代反欺诈模型。该系统需要处理用户的交易行为特征，通过多层感知机（MLP）提取非线性特征，以判断交易风险。
题目：【核心模块】交易风险评分器构建
题目要求：
为了快速验证新提出的特征工程方案，我们需要在训练阶段先构建一个轻量级的基准模型（Baseline）。请基于 PyTorch 框架完成以下任务：
网络架构定义：构建一个全连接神经网络（MLP），其结构必须严格遵循以下配置：
第一隐藏层：接收维度为 2 的特征向量，映射到 3 个神经元，并使用 ReLU 激活函数。
第二隐藏层：接收上一层输出的 3 维数据，映射到 8 个神经元，使用 ReLU 激活函数。
第三隐藏层：接收上一层输出的 8 维数据，映射到 2 个神经元（用于输出风险得分或类别概率），使用 ReLU 激活函数。
为了增强可读性，作者就把注释以及步骤写在代码行里。
大致流程
首先当然是导包，导包好之后定义一个model
class Model(torch.nn.Module):
# 在类里面定义两个方法 一个init一个forward
def __init__(self):
# 利用super继承父类的所有方法
super().__init__()
# 按照需求，第一个隐藏层是2×3
self.linear1 = torch.nn.Linear(2,3)
# 第二个隐藏层是3×8
self.linear2 = torch.nn.Linear(3,8)
# 最后应该要创建一个输出层，但是这个场景里第三个隐藏层就结束了，所以第三个可以当作是输出层
# 第三个隐藏层是8×2
self.out = torch.nn.Linear(8,2)
# 定义前向传播（就是演示输入的特征x的传播路径）
def forward(self,x):
#特征进入第一个隐藏层，并由relu处理
x = self.linear1(x)
x = torch.relu(x)
# 特征进入第二个隐藏层
x = self.linear2(x)
x = torch.relu(x)
# 最后特征进入第三层也就是输出层
x = self.out(x)
return torch.relu(x)
以上就是搭建了一个神经网络，后续还要对这个模型进行训练预测评估。
场景二：医疗影像辅助诊断平台
背景描述：
在一个医疗影像分析项目中，医生需要对患者的病理切片进行多类别诊断。系统接收到的预处理图像经过卷积层提取后，展平（Flatten）为长度为 6 的特征向量。你需要设计最后的分类头（Classification Head）。
题目：【应用设计】多病种病理分类器设计
题目要求：
作为算法工程师，你需要为上述系统编写一个全连接分类网络的后半部分。已知输入数据已经过预处理，特征维度固定为 6
大致流程：
需求分析知道我们这个是分类任务并且输出固定为8，并且输入特征数也固定为6。
中间隐藏层数的需求没有告诉我们，但是这里acc哥告诉大家，理论上中间的层数越多模型学习的能力越强，但是太多层数反而会造成过拟合。
class Model(nn.Module):
def __init(self):
super().__init()
# 输入的是6个,输出的是8个
self.linear1 = nn.Linear(6,128)
self.linear2 = torch.nn.Linear(128,256)
self.linear3 = torch.nn.Linear(256,64)
self.linear4 = torch.nn.Linear(64,16)
self.out = torch.nn.Linear(16,8)
def forward(self,x):
x = self.linear1(x)
x = torch.relu(x)
x = self.linear2(x)
x = torch.relu(x)
x = self.linear3(x)
x = torch.relu(x)
x = self.linear4(x)
x = torch.relu(x)
# 特征进入输出层
x = self.out(x)
# 因为场景需求是分类任务，所以最后输出层输出的是概率。
return torch.softmax(x,dim=-1)
是不是以为上述代码没有错误。其实在这里作者犯了一个很低级但是容易错的，就是把Model类里的构造方法__init__(self)写错成__init(self)
