神经网络基础
线性层、激活、损失、反向传播和优化。
大三 · 大三下 · COURSE NOTES
深度学习
从表示学习、优化和主要网络结构理解现代深度模型。
已有完整长笔记Markdown 19 · PDF 40 · 演示文稿 53 · Word 1 · Notebook 3
说明：本页是根据课程主题和常见教学结构整理的公开知识框架，不等同于任课教师的正式教学大纲。原始课件、作业、报告、文件名和提交信息均不公开。
学习目标
- 掌握前向、损失与反向传播
- 理解 CNN、注意力与生成模型
- 能诊断训练、泛化和鲁棒性问题
知识地图
训练与泛化
初始化、归一化、正则化、学习率和过拟合。
卷积网络
卷积、池化、感受野、经典结构与视觉任务。
序列与注意力
RNN、Self-Attention、Transformer、BERT/GPT。
生成与决策
AE/VAE、GAN、对抗样本、强化学习与压缩。
建议的笔记整理方式
- 概念卡片：用途、接口、复杂度、适用场景和常见误用。
- 最小代码：保留能独立运行的小例子，不复制整套工程。
- 测试用例：正常、边界、异常输入及期望输出。
- 复盘记录：错误现象、根因、修复和防止回归的方法。
最小复习清单
- [ ] 能不看资料解释“神经网络基础”的核心问题。
- [ ] 能不看资料解释“训练与泛化”的核心问题。
- [ ] 能不看资料解释“卷积网络”的核心问题。
- [ ] 能不看资料解释“序列与注意力”的核心问题。
- [ ] 能不看资料解释“生成与决策”的核心问题。
深入阅读
本地资料状态
- 文档类型统计：Markdown 19 · PDF 40 · 演示文稿 53 · Word 1 · Notebook 3。
- 统计仅用于判断整理进度；不公开文件名、作者、学号、联系方式、本机路径或作业提交内容。
- 后续只把经过人工复核的概念总结、实验复盘和原创笔记加入本页。