【B站付费课】耿直哥–深度学习必修课：进击算法工程师100节

这套课的名字听着像又一份"三个月转行算法岗"的承诺，但实际内容更接近一门补课材料：它假定你已经会一点 Python、见过神经网络长什么样，然后把你从"能跑通示例代码"推到"看得懂主流模型在干什么"。如果你正卡在这个位置——调包会、原理说不清、面试被问到 Transformer 细节就卡壳——它值得花时间。如果你连反向传播都没手推过，先补数学和基础框架，别急着开这一百节。

它解决的是哪一类卡壳

课程的重心明显压在现代模型结构上。卷积、循环网络这些经典内容占的比例不算大，真正花篇幅的是注意力机制之后的一整套东西：自注意力怎么算、位置编码为什么这么设计、编码器和解码器的分工、预训练加微调这条主线怎么串起来。后面还专门拆了几类主流架构，包括只取编码器的表示模型、编码解码一体的序列到序列模型、以及纯解码器的生成模型，并落到代码层面看它们各自怎么搭起来。再往后是视觉方向的应用，从图像分类的经典数据集讲起，把 Transformer 搬到图像上的做法也覆盖到了，最后用一个完整的图像分类项目收尾。所以它解决的不是"深度学习是什么"，而是"现在工业界和论文里在用的这些东西，到底怎么运作"。

适合的基础：能写 Python，用过至少一个深度学习框架，知道张量、梯度、损失函数这些词不是天书。不需要你数学多好，但线性代数和概率的基本直觉要有，否则注意力里的矩阵运算那几节会看得很吃力。转行者如果已经自学过一轮基础课，这套可以当第二轮；完全零基础的话，前几节就会被劝退。

建议的观看顺序和练习方式

不建议从头顺播到底。更省时间的走法是：先跳到注意力机制那一段，把自注意力的计算过程自己手写一遍——不用框架，就用数组算，把每个矩阵的形状标清楚。这一步过了，后面几类模型的差异基本就是"用哪部分、怎么遮罩"的问题，理解成本会骤降。然后看生成模型那部分，重点不是背结构，而是跟着把一份能跑的最小实现敲出来，哪怕只有几十行。视觉那几节可以放在最后，当作把前面学的东西换个模态再走一遍。

练习上，视频里给的项目不要只看不写。图像分类那个实战项目适合拿来改：换数据集、改输入尺寸、调几组超参，观察结果怎么变。真正的收获往往来自你把代码改坏又修好的过程，而不是看别人跑出准确率。另外建议配一份笔记，每学完一个模型就用自己的话写三行：输入是什么、中间做了什么变换、输出用来干什么。写不出来，说明还没懂，回去重看。

学完能到什么程度

比较现实的预期是：你能独立读完一篇中等难度的模型论文，看懂它的结构图，并用代码复现出核心部分；能自己搭一个小型的分类或生成任务，从数据准备到训练到评估走完整流程；面试里被问到主流架构的区别，你能讲出所以然，而不是只会说"这个效果好"。它不会让你直接拿到算法岗，但能让你在笔试和技术面里不再露怯，也让你有能力判断自己下一步该补什么。资料本身是录播，节奏自己控，配套的代码和数据集按需取用就行，不必追求全部看完——把注意力和生成模型这两块吃透，收益已经超过囫囵吞下整份目录。