全景与张量基础
用张量思考数据、用计算图思考学习——建立「深度学习 = 可微编程」的直觉与动手起点。
知识库 · 学习路径 · 知识地图
深度学习全景基础学习站
从张量与自动微分出发，沿「神经网络原理 → 训练核心 → CNN → 序列与注意力 → 工程实践 → 脉络与前沿」主线，构建一套可推导、可动手、可迁移的深度学习基础体系。每个知识点都有一句话定义、原理推导、实例代码与自测题。
- 知识点
- 33
- 模块
- 7
- 预计总时长
- 14.2 小时
- 最小可用路径
- 16 节 ≈ 7.2 小时
我的学习进度
0 / 33 已掌握（0%） · 在学 0 节 · 进度保存在浏览器本地（localStorage）
模块总览
按编号即推荐顺序；每个模块可独立成篇，整体构成完整主线。
神经网络原理
从感知机到 MLP，从激活函数到反向传播——理解网络如何表达函数、梯度如何流动。
训练核心
损失、优化、初始化、正则化与归一化——把「炼丹」变成有方法论的工程。
卷积神经网络
局部连接与参数共享如何读懂图像，ResNet 如何让百层网络成为可能。
序列模型与注意力
从 RNN 的循环到 LSTM 的门控，再到注意力的「一步到位」——理解序列建模的主线。
工程实践
调试、实验管理、算力与分布式——让模型真正训得动、训得好。
脉络与前沿
三次浪潮、预训练范式与伦理边界——知道自己站在哪里、往哪去。
统一的阅读节奏
每个知识点按同一条路径展开：直觉 → 定义 → 原理与公式 → 实例代码 → 误区 → 自测 → 延伸。理工核心知识点附可复现推导；实践知识点附可执行步骤与排错清单。动手锚点为 kp-016（MNIST 训练循环）与 kp-021（CIFAR-10 项目）。