会自动对数组的每个元素进行计算，无需手动循环。

这个实验用房屋面积预测房价，数据只有两个样本：2. 定义模型函数3. 初始模型（w=100, b=100）用初始参数计算预测值：我们可以直接用两个点解出完美拟合的参数：把两个点代入 y=wx+b：用第二个方程减第一个方程：500−300=(2w+b)−(w+b)200=w把 w=200 代入第一个方程：300=200∗1.0+b→b=100正确参数是 w=200，b=100，这和提示里给的建议一致

前向传播底层逻辑：全连接层的核心是「加权和 + 激活函数」，手动实现可以帮你理解 TensorFlow/Keras 封装的底层计算。单样本 vs 批量计算：循环实现适合理解原理，向量化矩阵运算适合实际工程场景，大幅提升效率。维度匹配原则权重矩阵W(输入维度, 输出维度)偏置向量b(输出维度,)（单样本）或(1, 输出维度)（批量）矩阵乘法：要求A的列数等于W的行数NumPy 广播机制：偏置向量b可

200+100=500，完美拟合数据）

输出层设计：使用线性激活 + 损失函数内 Softmax，比直接在输出层加 Softmax 更稳定。ReLU 层的作用：通过多条 “分界线” 学习非线性特征变换，将输入空间映射到更易分类的新特征空间。损失函数选择：标签为整数时用，标签为 one-hot 编码时用。模型预测：模型直接输出 logits，取argmax即可得到预测类别；如需概率，需额外调用 Softmax。全称：修正线性单元（Rect

这个实验用房屋面积预测房价，数据只有两个样本：2. 定义模型函数3. 初始模型（w=100, b=100）用初始参数计算预测值：我们可以直接用两个点解出完美拟合的参数：把两个点代入 y=wx+b：用第二个方程减第一个方程：500−300=(2w+b)−(w+b)200=w把 w=200 代入第一个方程：300=200∗1.0+b→b=100正确参数是 w=200，b=100，这和提示里给的建议一致

当需要对不同部分做差异化替换时，用 ** 正则子组（圆括号）** 提取内容，再传入自定义函数处理。group(k)：代表匹配到的第k个子组（圆括号包裹的内容）示例：中文地址转英文'上海市黄浦区方浜中路249号','上海市宝山区密山路5号','北京市昌平区北农路2号'])# 正则子组：(市名)(区名)(路名)(编号)pat = '(\w+市)(\w+区)(\w+路)(\d+号)'# 映射字典city