root_123456_-优快云博客

深度学习（Deep Learning，简称 DL）是机器学习的一个重要分支，它以人工神经网络为基础，通过堆叠多层隐藏层，构建深度神经网络，自动从数据中学习层次化的特征表示。“深度” 并不是一个严格的量化标准，而是相对于浅层神经网络而言的。通常来说，包含 3 层及以上隐藏层的神经网络，就可以称为深度神经网络。深度学习的核心突破，在于它实现了特征的自动提取。传统机器学习需要人工设计特征，而深度学习能够通过多层网络的逐层变换，自动从原始数据中提取从低级到高级的层次化特征。第一层网络学习识别边缘、线条等基础特征。

2026-07-28 20:38:58 607

原创 AI 大模型时代：产业变革与零基础学习路径全景

AI 大模型时代：产业变革与零基础学习路径全景

2026-07-28 20:25:50 614

root_123456_的博客

原创 Transformer 架构一：整体架构、编码器与解码器设计

原创 Transformer 架构二：多头注意力、位置编码与前馈网络

原创自注意力机制：核心原理、数学推导与计算流程

原创注意力机制的诞生：从 Seq2Seq Attention 到注意力的本质

原创循环神经网络二：序列到序列模型与机器翻译基础

原创循环神经网络一：RNN、LSTM 与 GRU 的序列建模原理

原创卷积神经网络二：经典网络 ——LeNet、AlexNet、VGG 与 ResNet

原创卷积神经网络一：CNN 核心 —— 卷积、池化与特征提取

原创 PyTorch 进阶：数据集加载、模型训练与 GPU 加速

原创深度学习框架入门：PyTorch 基础 —— 张量、自动微分与模型构建

原创神经网络优化：损失函数、优化器与梯度消失问题

原创深度神经网络：前向传播、反向传播与梯度下降

原创神经网络起源：感知机与人工神经元的数学原理

原创机器学习基础六：模型评估、调参与泛化能力

原创机器学习基础五：聚类算法与降维方法

原创机器学习基础四：支持向量机与核方法

原创机器学习基础三：决策树、随机森林与集成学习

原创机器学习基础二：线性回归与逻辑回归原理与实现

原创机器学习基础一：监督学习、无监督学习与强化学习范式

原创 Python 可视化：Matplotlib 与 Seaborn 数据可视化

原创第 10 章 Python 科学计算二：Pandas—— 数据处理与分析实战

原创 Python 科学计算一：NumPy—— 数组运算与数值计算基石

原创 Python 编程二：进阶特性 —— 面向对象、装饰器与异常处理

原创 Python 编程一：语法核心 —— 数据类型、函数与控制流

原创数学基础四：梯度、雅可比矩阵与优化的数学本质

原创概率论、信息论与深度学习基础

原创数学基础二：微积分与梯度理论

原创数学基础一：线性代数核心 —— 向量、矩阵与张量运算

原创核心概念扫盲：AI、机器学习、深度学习、大模型的关系与边界

原创 AI 大模型时代：产业变革与零基础学习路径全景

空空如也

空空如也