1. 课程导论与深度学习基础

大家好，欢迎来到这门实战课。我是你们这门课的主讲。

先聊点实在的。我入行那会儿，深度学习还没这么火。记得第一次跑通一个简单的全连接网络，看着损失曲线往下掉，那种感觉——嗯，就像你第一次成功点亮一个LED灯，虽然简单，但你知道后面有大事要发生。

这门课不讲虚的。我们直接切入正题：模型怎么选，参数怎么调，坑怎么避。

深度学习发展简史：从感知机到

说白了，深度学习不是凭空冒出来的。它的根扎在几十年前。

年代	里程碑	我的看法
1958	感知机（Perceptron）诞生	当时觉得机器能“看”了，结果连异或都搞不定
1986	反向传播算法（BP）	这才是真正的起点，我至今觉得BP是20世纪最优雅的算法之一
2006	深度信念网络（DBN）	Hinton老爷子让“深度”这个词重新活了过来
2012	AlexNet在ImageNet夺冠	那年我还在学校，看到结果直接懵了——GPU+大数据+深度，铁三角成型
2014	GAN（生成对抗网络）	Goodfellow在酒吧想出来的，你信吗？
2017	Transformer架构	“Attention is All You Need”——这篇改写了整个NLP的格局
2020+	系列、多模态大模型	现在你看到的，就是历史

AI、机器学习与深度学习的关系

很多人搞混这三个概念。我画个图你就明白了。

你看，AI 是终极目标——让机器像人一样思考。机器学习 是实现AI的一条路——让机器从数据中学习规律。深度学习 是机器学习的一个分支——用多层神经网络来学习。

为什么深度学习现在这么猛？说白了，传统机器学习需要你手动提取特征。比如做图像识别，你得先设计边缘检测、纹理特征……累不累？深度学习不用。你把原始像素扔进去，它自己学出特征来。

课程目标：你到底能学到什么？

这门课不是理论课。市面上讲原理的书和视频太多了。这门课的目标很明确：

• 模型选型：面对一个实际问题，你该用CNN、RNN、Transformer还是MLP？判断依据是什么？
• 训练调参：学习率怎么设？Batch size选多大？过拟合了怎么办？梯度爆炸了怎么救？
• 实战避坑：我踩过的坑，你不需要再踩一遍。
• 工程落地：模型训练完了，怎么部署？怎么加速推理？

学习路径：30章怎么走？

我把30章分成几个阶段，你心里有个数：

阶段	章节	核心内容
基础篇	1-5	导论、环境搭建、数据准备、基础模型（MLP、CNN）
进阶篇	6-15	RNN、LSTM、Transformer、注意力机制、生成模型
调参篇	16-22	学习率策略、正则化、Batch Normalization、超参数搜索
实战篇	23-28	图像分类、目标检测、NLP、多模态、推荐系统
工程篇	29-30	模型部署、量化、剪枝、ONNX、TensorRT

我个人建议你按顺序来。尤其是调参篇，很多人模型选对了，但参数调不好，结果还不如传统方法。那太可惜了。

为什么你应该相信我？

我不跟你讲虚的。我做过的事：

• 在工业界落地过5+个深度学习项目，从0到1搭建过完整的训练pipeline
• 踩过梯度爆炸的坑——有一次模型直接loss变成NaN，查了三天才发现是学习率设大了
• 也踩过数据泄露的坑——训练集和测试集有重叠，模型指标漂亮得不行，上线直接崩

这些教训，我会在课程里一一拆解给你看。