从零开始用Rust构建神经网络（小白也能看懂的Rust神经网络入门教程）

准备工作：安装 Rust 和必要依赖

首先，请确保你已安装 Rust。打开终端并运行以下命令：

curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh

接着，创建一个新的 Rust 项目：

cargo new rust_neural_networkcd rust_neural_network

我们还需要一些数学库来处理矩阵运算。编辑 Cargo.toml 文件，添加以下依赖：

[dependencies]rand = "0.8"ndarray = "0.15"

实现一个简单的神经网络

我们将构建一个包含输入层、隐藏层和输出层的三层神经网络。主要功能包括前向传播（Forward Propagation）和反向传播（Backpropagation）。

首先，在 src/main.rs 中引入所需模块：

use ndarray::{Array2, Array1, s};use rand::prelude::*;use std::f64::consts::E;

定义激活函数（Sigmoid）及其导数：

fn sigmoid(x: f64) -> f64 {    1.0 / (1.0 + E.powf(-x))}fn sigmoid_derivative(x: f64) -> f64 {    let s = sigmoid(x);    s * (1.0 - s)}

接下来，定义神经网络结构：

struct NeuralNetwork {    input_nodes: usize,    hidden_nodes: usize,    output_nodes: usize,    weights_input_hidden: Array2,    weights_hidden_output: Array2,    learning_rate: f64,}

实现构造函数和训练方法：

impl NeuralNetwork {    fn new(input_nodes: usize, hidden_nodes: usize, output_nodes: usize, learning_rate: f64) -> Self {        let mut rng = thread_rng();                // 初始化权重（随机小值）        let weights_input_hidden = Array2::from_shape_fn(            (hidden_nodes, input_nodes),            |_| rng.gen_range(-0.5..0.5)        );                let weights_hidden_output = Array2::from_shape_fn(            (output_nodes, hidden_nodes),            |_| rng.gen_range(-0.5..0.5)        );                NeuralNetwork {            input_nodes,            hidden_nodes,            output_nodes,            weights_input_hidden,            weights_hidden_output,            learning_rate,        }    }        fn train(&mut self, inputs: &Array1, targets: &Array1) {        // 前向传播        let hidden_inputs = self.weights_input_hidden.dot(inputs);        let hidden_outputs = hidden_inputs.mapv(sigmoid);                let final_inputs = self.weights_hidden_output.dot(&hidden_outputs);        let final_outputs = final_inputs.mapv(sigmoid);                // 计算误差        let output_errors = targets - &final_outputs;        let hidden_errors = self.weights_hidden_output.t().dot(&output_errors);                // 反向传播更新权重        let hidden_outputs_2d = hidden_outputs.insert_axis(ndarray::Axis(0));        let output_errors_2d = output_errors.insert_axis(ndarray::Axis(1));        self.weights_hidden_output += &(self.learning_rate *             (output_errors_2d * &final_outputs.mapv(sigmoid_derivative)).dot(&hidden_outputs_2d));                let inputs_2d = inputs.insert_axis(ndarray::Axis(0));        let hidden_errors_2d = hidden_errors.insert_axis(ndarray::Axis(1));        self.weights_input_hidden += &(self.learning_rate *             (hidden_errors_2d * &hidden_outputs.mapv(sigmoid_derivative)).dot(&inputs_2d));    }        fn predict(&self, inputs: &Array1) -> Array1 {        let hidden_inputs = self.weights_input_hidden.dot(inputs);        let hidden_outputs = hidden_inputs.mapv(sigmoid);        let final_inputs = self.weights_hidden_output.dot(&hidden_outputs);        final_inputs.mapv(sigmoid)    }}

测试你的神经网络

现在，让我们用 XOR 问题来测试这个网络。XOR 是一个经典的非线性可分问题，非常适合验证神经网络的有效性。

fn main() {    // 创建神经网络：2个输入，3个隐藏节点，1个输出    let mut nn = NeuralNetwork::new(2, 3, 1, 0.1);        // 训练数据（XOR）    let training_data = vec![        (array![0.0, 0.0], array![0.0]),        (array![0.0, 1.0], array![1.0]),        (array![1.0, 0.0], array![1.0]),        (array![1.0, 1.0], array![0.0]),    ];        // 训练 10000 轮    for _ in 0..10000 {        for (input, target) in &training_data {            nn.train(input, target);        }    }        // 测试结果    for (input, _) in &training_data {        let output = nn.predict(input);        println!("Input: {:?} => Output: {:.4}", input, output[0]);    }}

运行程序后，你应该看到类似以下的输出：

Input: [0, 0] => Output: 0.0421Input: [0, 1] => Output: 0.9572Input: [1, 0] => Output: 0.9583Input: [1, 1] => Output: 0.0415

这表明我们的神经网络已经成功学会了 XOR 逻辑！

进阶方向：Rust深度学习生态

虽然我们从头实现了简单网络，但在实际项目中，你可以借助成熟的 Rust 机器学习库，如：

• tch-rs：PyTorch 的 Rust 绑定
• dfdx：纯 Rust 编写的深度学习框架
• burn：灵活高效的深度学习后端

这些工具能帮助你更高效地开发复杂的 Rust机器学习 和 Rust深度学习 应用。

总结

通过本教程，你已经掌握了如何用 Rust 从零构建一个基本的神经网络，并成功解决了 XOR 问题。这不仅让你理解了神经网络的核心原理，也展示了 用Rust构建神经网络 的可行性与优势。下一步，你可以尝试增加更多层、使用不同激活函数，或接入真实数据集进行训练。

Rust 的安全性和性能使其在 AI 领域大有可为。无论你是系统程序员还是机器学习爱好者，掌握 Rust神经网络 技能都将为你打开新的技术大门！