先判断这门课值不值得学

很多上班族想转行做算法或数据分析，上来就调 PyTorch、TensorFlow 的接口，跑通了几个模型就以为学会了深度学习。等遇到业务数据需要改网络结构、调损失函数，或者训练发散时，就完全抓瞎。这门课解决的就是这个“知其然不知其所以然”的问题。它不教你怎么用现成的框架库，而是从神经元、感知机开始，用 Python 原生代码把数学推导和训练过程一步步敲出来。如果你目前的痛点是“只会调参不懂原理”或者“看论文被反向传播卡住”，那这门课能帮你把底层的数学逻辑彻底打通。但如果你只是为了快速套用一个图像识别模型去做项目交付，不需要深究原理，那这套偏向底层推导的课可能会让你觉得太费时间。

适合什么基础与资料怎么看

这套资料不适合纯零基础。你需要提前掌握 Python 基础语法，了解 Numpy 数组操作，并且对高数里的偏导数、矩阵乘法有基本概念。建议拿到资料后，先跳过前面的发展简史，直接从“神经网络基本知识”和“神经网络的学习”这两块看起。这两块是核心，重点看基于计算图理解反向传播、梯度下降算法的推导。看的时候不要只用眼睛过一遍视频，一定要把资料里的 Python 代码片段复制到本地跑通。这门课的精髓在于手写实现，比如逻辑门运算、激活函数、多层感知机，你必须跟着敲一遍键盘，在代码里设置断点，观察矩阵的维度变化和梯度更新过程，才能真正理解数学公式如何映射到程序里。

学完能独立做什么

跟着资料完整练下来，你不一定能立刻去公司搭一个工业级的百亿参数大模型，但你能独立完成几件非常扎实的事情。首先，你能不依赖高级框架，纯用 Python 和 Numpy 从零写出一个多层感知机，并在 MNIST 手写数字数据集上跑通分类任务。其次，当别人用框架写代码报错时，你能看懂是前向传播的维度没对齐，还是反向传播的梯度计算出了问题。最后，你具备了看懂深度学习基础论文的能力，知道损失函数、优化目标、批量梯度下降这些词背后具体的代码逻辑。把这套底层原理吃透，以后无论转去学 PyTorch 还是研究更复杂的卷积网络，你的学习成本都会大幅降低，不再是悬浮在半空的调包侠。


深刻理解深度学习原理；学习深度神经网络的Python代码实现方法

课程目录

*   01 课程介绍/

  *   01 课程介绍

*   02 深度学习的发展与应用/

  *   01 深度学习的发展简史与特点

  *   02 深度学习的典型应用

*   03 神经网络基本知识/

  *   01 神经元

  *   02 感知机

  *   03 多层感知机

  *   04 Python代码实现：逻辑门运算

  *   05 Python代码实现：激活函数

  *   06 Python代码实现：感知机

  *   07 Softmax函数与多分类

  *   08 多层感知机应用：MNIST手写数字数据集

  *   09 多层感知机应用：MNIST数据集实践

*   04 神经网络的学习/

  *   01 训练流程、优化目标、损失函数

  *   02 梯度下降算法

  *   03 反向传播算法简要介绍

  *   04 基于计算图理解反向传播

  *   05 反向传播算法的数学推导

  *   06 批量梯度下降策略

  *   07 梯度下降改进优化算法

  *   08 Python代码实现：梯度计算

  *   09 Python代码实现：梯度下降改进优化算法

  *   10 Python代码实现：优化算法比较

  *   11 Python代码实现：全连接层

  *   12 Python代码实现：全连接网络训练MNIST数据集

*   05 神经网络实践技巧/

  *   01 数据增强

  *   02 数据预处理

  *   03 参数初始化

  *   04 超参数设定

  *   05 过拟合与避免

  *   06 网络正则化

  *   07 Python代码实现：dropout层

  *   08 Python代码实现：MNIST数据集上梯度下降优化算法比较

  *   09 Python代码实现：权重初始化

  *   10 Python代码实现：批归一化

  *   11 Python代码实现：权重衰减

  *   12 Python代码实现：超参数搜索

*   06 卷积神经网络的原理与实现/

  *   01 常用神经网络模型

  *   02 卷积神经网络：网络架构

  *   03 卷积神经网络：卷积层

  *   04 卷积神经网络：卷积加速方法img2col

  *   05 卷积神经网络：激活函数层

  *   06 卷积神经网络：池化层

  *   07 卷积神经网络：批归一化层

  *   08 卷积神经网络：全连接层

  *   09 卷积神经网络：运算过程动图演示

  *   10 卷积神经网络：LeNet-5

  *   11 Python代码实现：im2col

  *   12 Python代码实现：卷积层

  *   13 Python代码实现：激活函数层

  *   14 Python代码实现：池化层

  *   15 Python代码实现：批归一化层

  *   16 Python代码实现：MNIST数据集上卷积神经网络训练

*   07 循环神经网络的原理与实现/

  *   01 循环神经网络 RNN

  *   02 循环神经网络 LSTM

  *   03 循环神经网络 GRU

  *   04 自然语言处理：语言模型、词嵌入、perplexity

  *   05 自然语言处理：PTB文本数据集

  *   06 Python代码实现：RNN

  *   07 Python代码实现：LSTM

  *   08 Python代码实现：GRU

  *   09 Python代码实现：使用RNN训练PTB数据集上的语言模型

  *   10 Python代码实现：使用LSTM训练PTB数据集上的语言模

*   08 课程代码下载/

  *   01 课程代码下载

*   09 结课测试/

  *   01 结课测试