第60章 第一个模型（2/2）

89.7%。他眨了眨眼，重新读了一遍。然后，几乎是本能地，他修改了代码——将epoch数从5改为20，学习率微调到0.005，重新运行。

这一次他不再干等。他打开了TensorBoard（PyTorch的可视化工具），看着损失曲线随着训练轮次平滑下降，准确率曲线稳步上升。第10个epoch时，准确率突破92%；第15个epoch，94.1%；第20个epoch结束时，终端显示：FalTestAuracy:95.3%。

房间里安静得能听到电流声。林晨靠在椅背上，长长地呼出一口气。95.3%。这意味着他刚刚亲手构建的这个简单神经网络，在识别手写数字图片的任务上，已经能达到接近人类的水平——至少对于MNIST这种相对干净的数据集是这样。

但这还不是终点。他打开测试集，随机抽取了几张图片，用训练好的模型进行预测。代码输出预测结果，他对照着真实标签一一核对。

第一张，图片是个歪歪扭扭的“7”，模型预测：7，正确。第二张，像个“3”又有点像“8”，模型预测：3，正确。第三张，一个很标准的“0”，模型预测：0，正确。连续对了十张。

然后他故意挑了一张模糊的、像素似乎有噪声的图片，看起来像“4”但下半部分缺失。模型预测：4，概率置信度87%。真实标签：4。林晨盯着那张图片看了很久。

那一刻，他忽然理解了为什么AI会让人着迷。不是因为它有多神秘，恰恰相反，是因为它的确定性。你给它数据，定义好架构和优化目标，它就会沿着数学上最陡峭的下降方向，一点一点调整自己内部的数百万个参数，直到找到那个能最大限度区分不同类别特征的权重组合。这个过程是可重复、可测量、可改进的。

而更关键的是，这个刚刚能识别手写数字的模型，和那些能识别猫狗图片、翻译语言、下围棋、甚至预测股票走势的模型，在本质上用的是同一套方法论。区别只在于数据规模、模型复杂度和计算资源。

林晨关掉TensorBoard，打开一个新的文件。他开始修改代码——不是照搬教程，而是尝试自己的改动：增加一个隐藏层，把神经元数量从128增加到256，尝试不同的激活函数（把ReLU换成LeakyReLU），调整学习率衰减策略。

重新训练。这一次，准确率在30个epoch后达到了97.1%。虽然只是提升了不到两个百分点，但那种“通过调整架构和超参数来控制系统性能”的掌控感，比第一次看到准确率上升时更强烈。

窗外的科技园，几栋写字楼还亮着零星的灯光。林晨看了眼时间，凌晨两点半。他应该去睡觉了，明天还要继续学卷积神经网络（）——那才是处理图像更专业的架构。

但他没动。他打开那个名为“投资系统数学基础构想”的笔记，在空白处写下：

“凌晨2:35。训练出第一个神经网络模型，MNIST准确率97.1%。关键体会：

AI不是魔法，是工程。可量化、可优化。

模型性能取决于三要素：数据质量、架构设计、训练策略。

如果它能从像素中学会识别数字，那它应该也能从K线图中学会识别模式。

下一步：用重做MNIST，理解卷积层如何提取空间特征。这对处理金融时间序列可能有启发”。

写完，他保存笔记，关掉电脑。

躺在床上时，脑子却停不下来。那些损失曲线、准确率数字、权重矩阵在眼前旋转。他想起大学时第一次写出能正确运行的“HelloWorld”程序时的兴奋，想起第一次做出能处理真实业务的电商系统时的成就感。

但今晚的感觉不一样。那不只是“让代码运行起来”的满足，而是更接近……创造。创造一个能“学习”的东西，给它数据，看它成长，调整它的结构让它变得更好。

黑暗中，林晨睁着眼睛。房贷月供一万二，存款还剩不到二十三万，再次失业第二个月。这些数字依然冰冷地悬在头顶。但此刻，他第一次清晰地看到了一条路——不是Web3那种充满不确定性的新领域，而是一条基于数学、代码和数据，每一步都踏实可测的路。

AI这条路。

他翻了个身，想跟苏婉说点什么，却听到妻子均匀的呼吸声——她早就睡了。明天吧，明天可以告诉她，自己今天做出了一个能认数字的“小东西”。虽然它现在还只能认数字。但林晨知道，这只是开始。

窗外的鹏城，凌晨三点的街道空旷安静。而在狭窄书房的书桌上，那个保存在硬盘里的模型文件，正安静地等待下一次被加载、被改进、被赋予新的任务。

比如，认识K线图的形态。比如，预测明天的涨跌。比如，从混乱的市场噪声中，找出那些微弱的、可盈利的信号模式。

林晨闭上眼，脑子里不再是焦虑和迷茫，而是一层层堆叠的神经网络架构图，是损失函数需要优化的曲面，是等待被挖掘的金融数据。他睡着了，嘴角带着半年来第一次真正放松的弧度。