深度学习

🎓 研究生📚 专业选修

深度学习 基于深层神经网络的学习方法。 核心素养

🧬 知识点关系网络

全连接网络→CNN→RNN/LSTM→Transformer→生成模型

⬆️ 深度学习的架构演进，每一代都解决了特定的问题。

📖 学习建议（阶梯式路径）

  1. 神经网络基础 —— 激活函数（ReLU、Sigmoid、Tanh）的选择。反向传播的链式法则。优化器（SGD、Adam）的动量与自适应学习率。
    💡 用NumPy从零实现一个两层神经网络。
  2. 卷积神经网络 —— 卷积核的局部感知与权值共享。池化的降维与不变性。ResNet的残差连接解决梯度消失。
    💡 用PyTorch训练一个CIFAR-10分类器。
  3. 循环神经网络 —— LSTM的门控机制（遗忘门、输入门、输出门）解决长距离依赖。GRU的简化。
    💡 用LSTM生成莎士比亚风格的文本。
  4. Transformer —— 自注意力机制——Q、K、V的物理含义。多头注意力的集成学习思想。位置编码的必要性。
    💡 用HuggingFace的BERT模型做情感分类。
  5. 生成模型 —— GAN的生成器与判别器博弈。VAE的变分下界。扩散模型的加噪与去噪过程。
    💡 用Stable Diffusion生成一张图片，体验提示词工程。
💡 学习贴士： 多动手实践，参与开源项目或在线评测，将理论转化为肌肉记忆。

🧠 认知导航

前置依赖： 学习深度学习前，建议具备编程基础与相应的数学知识。

后续延伸： 学完深度学习后，推荐继续探索：数据结构 · 算法设计 · 操作系统 · 计算机网络

📚 核心知识点全景

🔵 已开放 · 可随时探索🟠 生长中 · 内容持续丰富🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

✨ 每个链接都是一扇门，推开即是新世界。

🏙️ 生活中的深度学习

📸 人脸识别

FaceNet将人脸映射为嵌入向量，比对相似度。

🗣️ 语音助手

端到端语音识别，Transformer取代传统HMM-DNN。

🎨 AI绘画

Stable Diffusion、Midjourney——文本到图像的生成革命。

🔗 权威参考

🤖 AI陪练指令

我是一名正在学习深度学习的学生，请用生动易懂的方式为我讲解其核心概念，并结合实际应用场景给出代码示例。

📁 更多计算机科学AI指令 →