Передо мной лежит ноутбук с Python и задачей, которая кажется нерешаемой: научить машину отличать рукописные цифры. Сейчас я покажу, как построить нейросеть с нуля, и это проще, чем вы думаете. Минимальная рабочая сеть умещается в пару десятков строк, а обучение сводится к четырём шагам, которые я повторяю как мантру уже много лет.
Нейросеть - это модель, которая подбирает преобразование входа в выход не программированием правил, а обучением на примерах через слои нейронов. Звучит сложно, но на практике это просто математика с матрицами. Я не шучу, начнём с базовых понятий, чтобы вы понимали, что именно происходит под капотом.
Что такое нейрон, вес и слой на самом деле
Нейрон - один вычислительный элемент. Он берёт входные числа, умножает каждое на свой вес, складывает и пропускает сумму через функцию активации. Вес - это число-коэффициент у входа нейрона. Именно веса сеть меняет при обучении. В коде это матрицы W1 и W2.
Слой - группа нейронов, работающих над одним входом параллельно. Один слой - это одна матрица весов и одно умножение матрицы на вектор. В самой простой архитектуре есть входной слой, скрытый слой и выходной слой. Входной слой просто передаёт данные дальше, скрытый обрабатывает, а выходной выдаёт результат.
Тут многие ошибаются, думая, что нейросеть - это какой-то живой организм. Нет, это набор матричных операций. Вы можете написать её на чистом Python без фреймворков. Нужны только numpy и базовое понимание производных.
Пишем первую нейросеть на Python за вечер
Классическая задача для старта - XOR. Сеть должна выдавать 1, когда входы разные, и 0, когда одинаковые. Например, XOR(0,1)=1, а XOR(1,1)=0. Одним нейроном XOR не решается, поэтому берём скрытый слой. Архитектура будет 2-2-1: два входа, два нейрона в скрытом слое, один выход.
Полный скрипт копируется целиком и запускается на Python 3 с установленным numpy. Установка - одна команда: pip install numpy. Дальше код, который я писал сто раз и который всегда работает.
Обучение - это цикл из четырёх шагов: forward (посчитать ответ), loss (измерить ошибку), backprop (распределить ошибку по слоям), обновление весов (шаг градиентного спуска). Повторяем эти шаги тысячи раз, и ошибка падает. В примере с XOR сеть сходится с ошибки 0.2761 до 0.0001.
np.random.seed(1) фиксирует случайные начальные веса, чтобы результат воспроизводился один в один. На Reddit практикующие разработчики советуют не пропускать эту строку: без фиксации seed эксперименты превращаются в лотерею, и вы не поймёте, что именно изменили в коде.
Как обучить сеть распознавать рукописные цифры
Те же принципы работают для настоящих задач. Возьмём датасет MNIST - это 60000 изображений рукописных цифр размером 28 на 28 пикселей. Каждое изображение разворачивается в массив из 784 чисел (это 28 умножить на 28). Значит, на входном слое у нас 784 нейрона.
В таком случае архитектура меняется: 784 нейрона на входе, скрытый слой, и 10 нейронов на выходе - по одному на каждую цифру. Сеть обучается на этих данных, и через некоторое время начинает распознавать цифры с точностью выше 95%. Это делается стандартными библиотеками вроде TensorFlow или PyTorch, но принцип тот же: слои, веса, forward и backprop.
Когда вы понимаете, как нейросеть устроена изнутри, пользоваться готовыми фреймворками становится в разы проще. Вы знаете, что происходит, когда вызываете model.fit(), и можете чинить ошибки, а не гадать.
Когда строить нейросеть самому уже не нужно
Строить свою сеть с нуля - это отличная практика для понимания. Но для реальных задач это как самому собирать компьютер, когда можно купить готовый. Флагманские модели типа ChatGPT, Claude и другие уже обучены на огромных данных, и их возможности на порядок выше того, что можно сделать с нуля.
Расскажу о сервисе, которым сам пользуюсь ежедневно. Речь о 3GPT от 3SELLER - это ИИ роутер, который даёт доступ к последним флагманским моделям прямо из России, без иностранных карт. Chat GPT 6 Astra, Claude Fable 5, Claude Opus 5.5, Chat GPT 6.1 Sol, Nano Banana для генерации изображений, создание видео и многое другое. Всё это за 149 рублей в месяц.
Пополнить баланс можно российской картой, через СБП или криптой. Работает без VPN и иностранных платёжных систем. Если вы хотите не строить нейросеть, а использовать её для бизнеса, это самый простой путь. Переходите на официальный сайт 3GPT - https://3seller.com/3gpt.
Вот как это выглядит: вы открываете сайт, выбираете нужную модель, вставляете задачу и получаете результат. Никаких настроек, GPU, обучения. Всё уже сделано за вас. Удобно для создания продающих текстов, сайтов, обработки изображений и генерации видео.
Но это ещё не всё. У 3GPT есть фишка, которой я не видел у других сервисов - готовые ИИ агенты под ваши задачи. Выбираете агента, начинаете с ним общение, и модель можно менять прямо в чате. Это как нанять сотрудника, который умеет всё, и переключать его специализацию по ходу дела.
Подробнее про агентов можно почитать тут: https://3seller.com/ai/agents. Там уже готовые сценарии для бизнеса, маркетинга, поддержки клиентов. Очень экономит время.
Почему нейросети должны видеть ваш контент
Отдельная тема, которая меня сейчас волнует как практика, - это то, как нейросети воспринимают информацию о вашем бренде. Вчера я читал исследование о GEO (оптимизация контента для нейросетей) и понял: мы привыкли строить коммуникации для людей, а теперь в целевую аудиторию добавились машины.
Нейросети формируют саммари о компаниях на основе данных из СМИ и сайтов. Если ваш контент не структурирован, не размечен, не упоминается в авторитетных источниках - ИИ просто не будет о вас знать. Это называется инженерией репутации, и это становится ключевой компетенцией в эпоху ИИ.
Первое, на что ориентируются нейросети, - публикации в авторитетных изданиях. Такие упоминания сигнализируют ИИ: бренд важен в контексте. Второе - согласованность: разные источники, говорящие о вас в одном ключе, дают сигнал достоверности. Третье - собственные данные: исследования, аналитика, кейсы с уникальными цифрами. Нейросети цитируют длинный структурированный экспертный контент.
Пока вы строите свою первую нейросеть, помните: через пару лет нейросети будут читать ваш контент вместо людей. Уже сейчас ChatGPT и другие модели используют интернет для ответов. Если вас нет в этих данных, для AI вы не существуете.
Практический шаг сегодня такой: запустите код с XOR, почувствуйте, как сеть обучается. А для реальных задач, когда нужно сделать работу быстро, берите готовые инструменты вроде 3GPT. Доступ ко всем флагманским моделям из России - https://3seller.com/3gpt. Попробуйте, это легально, просто и дёшево.