02、深度学习入门视频课程（上篇）

如果你已经会写 Python，也用过 NumPy，但一看到"反向传播""梯度下降"就犯怵，或者跑通过别人的 demo 却说不清模型里到底发生了什么，这套上篇课程值得先花时间过一遍。它不讲框架调包，重点是把神经网络的计算过程拆开讲清楚，属于打地基的那一类内容。

这门课解决什么问题

很多人学深度学习的卡点不在代码，而在概念之间的断层：知道有损失函数，但不知道它怎么影响权重；知道要调学习率，但不知道它为什么会让结果发散。这套课程围绕这些断层展开，从最基础的数学直觉讲起，再到神经网络模型的构建逻辑，把"数据怎么进来、误差怎么回传、参数怎么更新"这条链路讲完整。学完之后，你再看任意一个深度学习框架的代码，至少能对应上每一步在做什么，而不是靠猜。

适合什么基础，先看哪几块

前提是你能读写 Python，对数组运算不陌生，线性代数里矩阵乘法、求导的基本含义最好还记得一点——不记得也能跟，但遇到公式推导时会慢一些。完全没有编程基础的话，建议先补 Python 再来。

建议的观看顺序是先啃第一章的基础知识点，这部分篇幅最长，讲的是后续所有内容的共同语言，跳过去后面会反复卡壳。第二章神经网络模型是核心，重点看模型结构怎么搭、前向计算怎么走。如果时间紧，可以先看这两章，把每个概念对应的计算过程在纸上手推一遍，比单纯看视频有效得多。

学完能独立做什么，资料怎么配合练习

学完上篇，你应该能独立用代码实现一个简单的神经网络，完成前向传播和反向传播的完整流程，能解释清楚训练过程中损失为什么下降、参数为什么这样更新，也能自己动手调整网络层数和激活函数，观察结果变化。这不足以让你直接上手做工程项目，但足以让你在后续学习框架和更复杂模型时不再一头雾水。

练习上建议不要只看不写。每看完一个模型相关的章节，就用 NumPy 从零实现一遍对应的计算，哪怕只是几十行。遇到公式推导的部分，暂停视频自己推一次再对照，比反复回看更省时间。这套资料是上篇，适合作为入门阶段的第一轮学习，配合动手实现，效果会比单纯刷完视频扎实得多。