先讲这门课解决什么问题
很多做后端开发、数据分析，或者想从传统软件岗往算法方向转的人，最常卡在的环节不是缺概念，而是缺“能把数学公式翻译成能跑的代码”的过渡。这门课的切入点就在这里：它不是给你堆一摞理论书，而是围绕数字识别、手势识别这类具体的图像任务，把逻辑回归、梯度下降、反向传播这些底层机制拆成可落地的步骤，再延伸到 CNN、RNN、GAN 三种主流网络结构。你要解决的问题是：从“看得懂名词”到“能自己搭一个简单网络并调参跑通结果”。
适合什么基础，学完能独立做什么
这套资料不适合零基础。它默认你已经能写基本的 Python，也大致接触过 NumPy 这类基础库；如果你连函数和变量都生疏，建议先补语法再看。它的前半部分其实在补“工程化视角的数学”：从导数意义、链式法则，到向量化编程为什么比循环快，再到正向与反向传播的作业讲解，核心是让你理解一个神经元怎么更新参数。学完之后，你应该能独立完成一个单神经元分类任务，知道损失函数怎么算、梯度怎么求、参数怎么更新；到了 CNN/RNN/GAN 部分，你能看懂别人写好的网络结构，能根据项目案例改输入输出维度，而不是只会调库。
建议先看哪几块，资料怎么配合练习
不要一上来就翻 GAN。建议先走这条线：深度学习介绍两节快速过，重点放在神经网络基础那一整块——尤其是梯度下降公式、链式法则、向量化编程优势，以及正向传播与反向传播那节。这几节是后面所有结构的根，跳过它们，后面看 CNN 的卷积核更新会全是盲区。练习方式上，资料里的每段讲解都配了作业题（比如实现 sigmoid、单神经元分类），正确的用法是：看完一节的原理推导，立刻把对应的作业题自己写一遍，写不出来再回去看推导，不要只看不练。向量化那段尤其要动手，自己用循环写一遍逻辑回归的梯度计算，再用向量化写一遍，对比速度差异，这个体感比看十遍视频都管用。整个资料按“原理推导—代码实现—作业验证”的节奏走，你跟着这个节奏，比跳着看结构部分要扎实得多。
结合项目案例讲解神经网络（CNN/RNN/GAN）原理，深入学习卷积神经网络（CNN）、循环神经网络（RNN）、对抗神经网络（GAN），并以数字识别、手势识别、
课程目录
* 第一章 深度学习基础/
* 深度学习介绍/
* 01_深度学习课程介绍
* 02_深度学习介绍
* 03_深度学习介绍2
* 神经网络基础/
* 01_逻辑回归介绍
* 02_逻辑回归损失函数
* 03_梯度下降算法过程以及公式
* 04_导数意义介绍
* 05_a^2函数的导数介绍
* 06_导数计算图与链式法则
* 07_逻辑回归的导数计算图分析以及参数导数
* 08_向量化编程介绍引入
* 09_向量化编程的优势
* 10_向量化实现逻辑回归的梯度计算更新
* 11_正向传播与反向传播、作业介绍
* 12_作业讲解题1：实现sigmoid函数与梯度实现
* 13_作业讲解题2：单神经元神经网络(logistic)分类作业流程介绍
* 14_作业讲解题2：参数初始化与前向传播、反向传播
* 15_作业讲解题2：优化迭代实现、model逻辑实现
* 16_总结
* 浅层神经网络/
* 01_浅层神经网络表示
* 02_浅层神经网络的前向传播
* 03_激活函数的选择
* 04_浅层神经网络的反向传播
* 05_作业介绍
* 06_作业实现：初始化模型与前向传播
* 07_作业实现：反向传播与更新梯度
* 08_作业实现：网络模型逻辑实现
* 09_总结
* 深层神经网络/
* 01_深层神经网络表示
* 02_深层神经网络的反向传播过程
* 03_参数初始化与超参数介绍
* 第二章 深度学习优化进阶/
* 多分类/
* 01_深度学习紧接、多分类介绍
* 02_交叉熵损失原理
* 03_案例：Mnist手写数字数据介绍
* 04_案例：网络结构、流程、代码介绍
* 05_案例：主网络结构搭建实现
* 06_案例：添加准确率
* 07_案例：Tensorboard观察显示
* 08_案例：添加模型保存、预测
* 09_调整学习率带来的问题
* 梯度下降算法优化/
* 01_深度学习遇到问题、为什么需要优化算法
* 02_Mini梯度下降与Batch梯度下降
* 03_指数加权平均
* 04_动量梯度下降原理公式理解
* 05_RMSProp与Adam原理与学习率递减
* 06_标准化输入带来的优化
* 07_作业介绍
* 08_作业讲解1
* 09_作业讲解2
* 深度学习正则化/
* 01_深度学习偏差与方差介绍为、什么需要正则化
* 02_正则化概念、L2正则化与L1正则化
* 03_Droupout过程与原理理解
* 04_其它正则化方法-早停止法与数据增强
* 05_正则化作业介绍
* 06_作业讲解1
* 07_作业讲解2
* 神经网络调参与BN/
* 01_神经网络调参数技巧与如何设置参数、如何运行
* 02_批标准化定义、公式、为什么有效
* 第三章 卷积神经网络/
* 卷积网络原理/
* 01_卷积来源、数据量与感受野的边缘检测
* 02_卷积网络结构介绍
* 03_默认卷积的运算过程
* 04_零填充
* 05_过滤器大小与步长
* 06_多通道的卷积与多卷积核
* 07_卷积总结
* 08_池化层
* 09_全连接层
* 经典分类结构/
* 01_LeNet5的计算过程详解
* 02_常见网络结构介绍
* 03_Inception(1x1卷积介绍)
* 04_Inception结构以及改进
* 05_GoogleNet了解与卷积网络学习内容
* CNN实战/
* 01_作业介绍
* 02_作业讲解
* 03_迁移学习
* 第四章 循环神经网络/
* 循环神经网络/
* 01_循环神经网络背景介绍
* 02_循环神经网络结构原理
* 03_词的表示与矩阵形状运算
* 04_交叉熵损失计算
* 05_时间反向传播算法
* 06_梯度消失、案例介绍
* 07_手写RNN案例：单个cell前向传播
* 08_手写RNN案例：所有cell的前向传播
* 09_手写RNN案例：单个cell的反向传播
* 10_手写RNN案例：所有cell的反向传播
* 11_案例总结
* 12_GRU与LSTM介绍
* 词嵌入/
* 01_词嵌入介绍
* 02_词嵌入案例
* seq2seq与Attention机制/
* 01_seq2seq介绍与理解
* 02_seq2seq机器翻译等场景介绍分析
* 03_Attention原理分析
* 04_机器翻译案例：日期格式翻译转换、代码结构介绍
* 05_机器翻译案例：模型参数定义
* 06_机器翻译案例：数据获取以及数据格式转换介绍
* 07_机器翻译案例：训练逻辑与网络结构介绍
* 08_机器翻译案例：网络输入输出逻辑介绍
* 09_机器翻译案例：网络输入输出逻辑编写.mp4
* 10_机器翻译案例：自定义网络seq2seq的编解码器定义.mp4
* 11_机器翻译案例：seq2seq的输出层定义.mp4
* 12_机器翻译案例：attention结构定义.mp4
* 13_机器翻译案例：model中计算attention输出c逻辑函数实现.mp4
* 14_机器翻译案例：训练逻辑编写
* 15_机器翻译案例：训练结果与问题解决.mp4
* 16_机器翻译案例：测试逻辑结果演示.mp4
* 17_集束搜索介绍
* 18_BLEU自动评估方法原理介绍
* 第五章 高级主题/
* 生成对抗网络/
* 01_高级主题介绍、GAN介绍
* 02_GAN原理、损失和DCGAN结构
* 03_生成数字图片案例：结果演示流程介绍
* 04_生成数字图片案例：模型初始化代码编写
* 05_生成数字图片案例：训练流程
* 06_生成数字图片案例：运行保存图片并对比
* 自动编码器/
* 01_自动编码器介绍
* 02_案例：编码器类别、普通自编码器流程、模型初始化逻辑
* 03_案例：训练普通自编码器
* 04_案例：深度自编码器编写演示
* 05_案例：卷积自编码器编写演示
* 06_案例：降噪编码器介绍
* 07_案例：降噪编码器案例
* CapsuleNet/
* 01_CapsuleNet了解
* 02_深度学习课程总结
