自己动手神经网络深度学习（AI第二册）

如果你已经能照着教程搭出一个最简神经网络，却说不清反向传播到底在算什么、损失为什么下降、参数凭什么更新，那这本第二册正好卡在你的痛点上。它不教你再搭一遍网络，而是把重心放在"网络怎么学"这件事上：梯度从哪来、参数怎么调、训练为什么有时不收敛。这些是上班族做算法岗面试、转行者动手复现论文时最容易露怯的地方。

它解决的是"会搭不会调"的问题

第一册通常停在把层拼起来、跑通一次前向计算。但真实工作里，模型跑不通、loss 不降、过拟合、梯度爆炸，才是每天要面对的事。这本第二册围绕训练过程展开：把损失函数、链式法则、梯度下降、参数更新这条线讲透，让你明白每一次迭代背后发生了什么。学完它，你看待一个模型不再是"输入进去、结果出来"的黑箱，而是能定位问题出在哪一环——是学习率设得不对，还是梯度在某一层消失了。

适合的基础：能读懂 Python，知道矩阵乘法、导数的基本含义，最好已经跟着第一册或别的入门材料亲手写过一次前向传播。如果连"权重"和"偏置"是什么都还模糊，建议先补上前置内容再来，否则这本会让你卡在数学推导上。

建议的看课顺序

不要从头顺着一路刷。先看损失函数和梯度计算这两块，它们是整本书的枢纽——理解了损失对参数的偏导怎么求，后面的优化方法才有落脚点。接着看参数更新与梯度下降的几种变体，重点搞清批量、学习率、迭代次数各自影响什么。最后再看训练技巧和调参相关的内容，比如怎么判断欠拟合还是过拟合、怎么设初始值。数学推导部分遇到卡壳，可以先跳过证明、只记住结论，回头再补，别在第一遍就死磕。

学完能独立做什么，资料怎么用

学完之后，你应该能独立完成这样一件事：拿到一份数据，自己设计一个小型网络的训练流程，选损失函数、写梯度更新、调学习率，并判断训练是否正常。这不是"能训大模型"，而是"能自己把一个小网络训到收敛并解释每一步"。对转行者来说，这恰好是面试里手推反向传播、解释优化器区别的底气。

资料配合练习的方式：每看完一块数学推导，就在代码里对应改一个参数，观察 loss 曲线的变化，把"公式—代码—现象"三者对上。不要只看不写，也不要一上来就改复杂结构。先让最简单的例子跑稳，再逐步加变量。练习的目标不是跑出多高的准确率，而是你能说清每次改动为什么让结果变好或变坏。做到这一点，这本第二册的价值才算真正拿到手。