AI大模型之深度学习

这门课解决的是哪个环节的问题

很多人学大模型，第一反应是直接上手调 API、跑微调脚本，结果遇到 loss 不下降、梯度爆炸、显存不够就卡住了。这类问题的根子往往不在框架用法，而在对深度学习基本机制的理解——反向传播到底在算什么、优化器怎么更新参数、激活函数为什么选这个不选那个。这门课就是补这一段：它不讲怎么调用现成的大模型，而是讲清楚神经网络内部是怎么训练起来的，用 PyTorch 把这些环节一个个跑通。

换句话说，它适合放在「调包」之前或之后作为底层补充，而不是当成大模型应用开发课来买。

学完能独立做什么

课程覆盖 PyTorch 的核心操作，从张量运算、自动求导到搭建网络、写训练循环。学完之后，你应该能独立完成这几件事：

• 用 PyTorch 从头写一个前馈网络，自己定义层、损失函数和优化器，并跑通完整训练流程；
• 看懂常见网络结构里的激活函数、初始化方式、优化方法分别起什么作用，知道换掉它们会带来什么影响；
• 遇到训练不收敛时，能定位是数据、学习率还是网络结构的问题，而不是只会调参试运气；
• 读懂别人开源的模型代码，把其中的模块拆出来用在自己的任务上。

这些能力是后续学 Transformer、注意力机制、大模型微调的前提。如果连一层网络怎么反传都没搞清楚，直接看大模型结构会很吃力。

资料构成与适合的基础

资料分为笔记、代码、视频三块。笔记是系统性的文字梳理，适合先通读一遍建立框架；代码部分是可以直接运行的示例，配合讲解边看边跑；视频则用来跟练，遇到看不懂的公式或操作可以对照着过一遍。整体偏实践，理论推导不会铺得太深，重点放在「能不能跑起来、能不能改」上。

基础要求不算高，但也不是零门槛。你需要有基本的 Python 语法能力，知道什么是函数、循环、类；最好对矩阵运算有一点概念，比如矩阵乘法是怎么回事。如果完全没接触过 Python，建议先补语法再来。数学方面不要求会推导，但看到求导、梯度这类词不排斥会更顺。课程定位是初学者进阶，意思是给有编程基础但没系统学过深度学习的人用的。

编辑建议的使用顺序

不要一上来就啃视频，容易变成跟着敲一遍、关掉就忘。建议先翻笔记把概念过一遍，标记出不清楚的地方，再带着问题去看对应视频，最后自己动手把代码改一改——比如换个激活函数、调一下学习率，观察结果变化。改代码这一步最关键，光跑通不算学会，能改出预期效果才算。

如果时间有限，优先保证代码和笔记两块，视频作为补充。这套资料的价值在于把 PyTorch 实践和深度学习原理绑在一起讲，比单独看框架文档更有脉络，比纯理论课更好上手。买之前先确认自己是要补底层，还是想直接做应用——如果是后者，这门课不是最短路径。