---

📖 课前导读

欢迎来到《PyTorch从入门到精通》专栏的第一课！在正式敲代码之前，我们需要先建立对整个领域的宏观认知。

很多初学者会问：“我数学基础不好能学吗？”“深度学习到底在学什么？”“PyTorch和TensorFlow哪个更好？”

这一课就是为了回答这些问题而生的。我们将用最通俗的语言，帮你搞懂深度学习的基本概念，建立起PyTorch的整体认知，同时明确未来24课的学习路线。零基础完全友好，不涉及复杂公式推导，只讲“它是什么”“为什么需要它”“我们该怎么学”。

学完这一课，你将收获：

• ✅ 理解人工智能、机器学习、深度学习的层次关系
• ✅ 掌握神经网络最核心的思想（“模拟人脑”到底是怎么模拟的）
• ✅ 了解主流深度学习框架的优缺点对比
• ✅ 搞清楚PyTorch为什么能成为学术界的首选
• ✅ 明确计算机视觉、自然语言处理等应用场景
• ✅ 获取完整的学习路线图，避免走弯路

---

一、知识原理：从人工智能到深度学习

1.1 人工智能、机器学习、深度学习，三者什么关系？

很多人把这几个概念混为一谈，实际上它们是层层包含的关系：

人工智能（AI）
    └── 机器学习（ML）
            └── 深度学习（DL）

人工智能（AI）：让机器模仿人类智能的学科，包含推理、规划、学习等。1956年达特茅斯会议诞生了这个概念。

机器学习（ML）：AI的一个子集，核心思想是**“不直接编程规则，而是让机器从数据中自动学习规律”**。比如我们不需要写“如果温度>35度就判断为炎热”这种规则，而是给机器大量温度数据和对应的体感标签，让它自己找规律。

深度学习（DL）：机器学习的一个分支，用**“多层神经网络”来自动提取特征。传统机器学习需要人工设计“特征”（比如从图片中提取边缘、纹理），而深度学习可以端到端**地学习，输入原始数据直接输出结果。

💡 生活类比：

• AI = 让机器变聪明的整个学科
• 机器学习 = 让机器通过做题（数据）来学会知识的方法
• 深度学习 = 用“多层推理”（神经网络）来做题的高级方法

1.2 神经网络的核心思想（纯白话版）

神经网络的名字确实容易让人想到生物大脑，但实际原理简单得多。

最简单的神经元模型

一个生物神经元有树突（接收信号）、细胞体（处理信号）、轴突（输出信号）。人工神经元模仿了这个结构：

输入 x1 ——→ [权重 w1] ——→
输入 x2 ——→ [权重 w2] ——→ [求和 Σ] ——→ [激活函数 f] ——→ 输出
输入 x3 ——→ [权重 w3] ——→
                        + [偏置 b]

计算过程就两步：

1. 把输入乘以对应的权重，再加起来，最后加上偏置：z = x1*w1 + x2*w2 + x3*w3 + b
2. 把z扔进激活函数，得到最终输出：output = f(z)

🎯 权重和偏置就是需要学习的参数。训练的过程就是不断调整这些数字，让输出接近正确答案。

从单个神经元到神经网络

一个神经元能解决的问题极其有限（比如简单的线性分类）。把大量神经元分层连接起来，就形成了神经网络：

输入层 → 隐藏层1 → 隐藏层2 → ... → 输出层

• 输入层：接收原始数据（比如图片的像素值）
• 隐藏层：自动提取特征，层数越多，“抽象程度”越高（底层识别边缘，中层识别形状，高层识别物体）
• 输出层：输出最终结果（比如0-9的分类概率）

深度学习的“深”，就是指隐藏层的数量多。层数越多，理论上能学习的模式越复杂。

1.3 神经网络如何学习？——反向传播与梯度下降

这是深度学习的核心引擎，理解这两个概念，你就懂了80%的训练原理。

前向传播：输入 → 输出

数据从输入层进入，逐层计算，最后输出结果。比如输入一张手写数字图片，网络输出[0.1, 0.01, 0.7, ...]，表示“2的概率70%”。

损失函数：衡量预测与真实值的差距

预测是0.7（认为图是2），但真实标签是1（图是1），显然错了。损失函数会输出一个大数字（比如2.5），表示“错得挺离谱”。

反向传播：从输出→输入，逐层传递误差

从输出层开始，计算每个参数对最终损失的影响程度（梯度）。梯度为正表示“这个参数调大，损失更大（更错）”，梯度为负表示“调大这个参数，损失减小（更对）”。

梯度下降：沿着梯度反方向调整参数

知道了每个参数的“责任大小”，就沿着负梯度方向微调参数，让损失变小一点。重复这个过程成千上万次，损失逐渐降低，模型越来越准。

📊 核心流程：
前向传播 → 计算损失 → 反向传播（求梯度）→ 梯度下降（更新参数）→ 重复

💡 形象比喻：
你在一个漆黑的山谷里（损失函数），想走到最低点（最小化损失）。脚能感觉到地面的坡度（梯度），坡度陡说明下降快。每次往最陡的下坡方向迈一小步（梯度下降），重复几百次就能到谷底。

1.4 为什么深度学习现在这么火？

神经网络的概念早在1940年代就提出了，但直到2012年才真正爆发。背后是三股力量的推动：

因素	过去的问题	现在的突破
数据	小规模数据集容易过拟合	互联网产生海量数据（ImageNet 1400万张图）
算力	CPU训练一个模型要几个月	GPU并行计算提速几百倍
算法	深层网络梯度消失训练不动	ReLU激活函数、残差连接等突破

2012年AlexNet在ImageNet夺冠，错误率比第二名低10个百分点，从此深度学习进入黄金时代。

1.5 深度学习的三大应用方向

本专栏会覆盖前两个方向的基础，以及Transformer这种统一架构。

计算机视觉（CV）

让计算机理解图像和视频。典型任务：

• 图像分类：这张图是猫还是狗？
• 目标检测：图中哪里有猫？画个框
• 语义分割：把图中每个像素分类（哪些是猫，哪些是背景）
• 人脸识别：这个人是谁？

应用：自动驾驶、医学影像分析、安防监控、美颜相机

自然语言处理（NLP）

让计算机理解人类语言。典型任务：

• 文本分类：这条评论是正面还是负面？
• 机器翻译：中译英
• 命名实体识别：提取“张三”是人名、“北京”是地名
• 问答系统：根据文档回答问题

应用：智能客服、搜索引擎、语音助手、ChatGPT类大模型

多模态学习（新趋势）

同时处理图像、文本、语音等多种数据。典型任务：

• 图文检索：输入“一只猫爬树”，找到匹配的图片
• 视觉问答：给一张图，问“图里有几个人？”模型回答
• 文生图：输入“宇航员骑马”，生成对应图片

应用：大模型（GPT-4V、Sora、Gemini）

---

二、深度学习框架对比与PyTorch优势

2.1 为什么需要深度学习框架？

不借助框架实现神经网络，你需要：

• 手动写矩阵运算（几百行代码）
• 手动实现自动求导（极其容易出错）
• 手动调度GPU运算（需要CUDA专业知识）

框架把这一切封装好了。用PyTorch实现一个全连接层，只需要nn.Linear(输入维度, 输出维度)。

2.2 主流框架横向对比

框架	诞生时间	主要特点	优势	劣势	适合人群
TensorFlow	2015（Google）	工业级部署强	生态完善、TPU支持、TensorFlow Serving	1.x版本API混乱，2.x虽改进但仍有历史包袱	工业大厂、需要部署到移动端/Web的场景
PyTorch	2016（Meta）	动态图、Pythonic	上手简单、调试方便、学术界统治地位	早期部署弱（已通过TorchScript和ONNX改善）	研究者、初学者、快速原型开发
JAX	2018（Google）	函数式、自动微分	极快的编译速度、支持大规模并行	学习曲线陡、生态相对年轻	高阶研究者、Google内部项目
PaddlePaddle	2016（百度）	中文生态完善	中文文档好、产业落地强	国际社区较小	国内企业、中文用户

2.3 PyTorch的杀手级优势

优势1：动态计算图（Define-by-Run）

这是PyTorch最核心的特点。

• TensorFlow 1.x：先定义静态图（像写剧本，所有情节提前定好），再喂数据执行（像按剧本拍戏）。调试困难，出错时不知道具体数据值。
• PyTorch：边运行边构建图（像即兴表演）。你可以用Python的原生print、if、for，调试体验和普通Python脚本一样。

💡 实际例子：你想根据输入长度动态调整网络结构。PyTorch直接写if x.shape[0] > 10: use_complex_network()，TensorFlow 1.x则需要复杂的条件控制节点。

优势2：Pythonic，对开发者极其友好

PyTorch的代码写起来就像在操作NumPy数组，但加上了GPU加速和自动求导。学完NumPy后再学PyTorch，几乎无缝衔接。

# 这就是PyTorch的代码风格，和NumPy如出一辙
import torch
x = torch.randn(3, 4)          # 创建随机张量
y = x + 1                      # 直接运算
z = y.mean()                   # 调用方法
z.backward()                   # 自动求导，就这么简单

优势3：学术界统治地位

根据2023-2024年的统计，顶会论文（NeurIPS、ICML、CVPR）中有超过75%使用PyTorch。原因很简单：研究者需要快速验证想法，不想被框架限制。

学习PyTorch意味着你阅读前沿论文代码时，不会因为框架差异而卡住。

优势4：完善的生态工具

工具	作用
torchvision	计算机视觉数据集、模型、图像变换
torchtext	自然语言处理工具
torchaudio	音频处理工具
HuggingFace Transformers	预训练大模型（BERT、GPT等）
PyTorch Lightning	简化训练循环封装
ONNX	模型导出到其他框架

2.4 选型建议

场景	推荐框架
深度学习初学者	PyTorch（上手平滑，社区活跃）
学术研究、发论文	PyTorch（代码复用度高）
快速原型验证	PyTorch（动态图灵活）
工业大厂已有TF生态	TensorFlow
需要部署到手机/浏览器	TensorFlow Lite或PyTorch Mobile
超大规模训练（TPU集群）	JAX或TensorFlow

✅ 结论：对于本专栏的目标读者（从入门到精通，最终做项目），PyTorch是最佳选择。

---

三、PyTorch发展历程与生态全景

3.1 时间线：从Torch到PyTorch

时间	事件
2002	Torch框架诞生于Lua语言，学术圈小范围使用
2015	Facebook（现Meta）内部开始用Torch做研究，但Lua太小众
2016.10	PyTorch 0.1.0发布，Python接口 + 动态图，瞬间引爆关注
2017	大量研究者从Torch迁移到PyTorch
2018	PyTorch 1.0发布，加入TorchScript（生产部署能力）
2019	成为学术界默认标准，超过TensorFlow
2020	PyTorch加入Linux基金会
2022	PyTorch 2.0发布，加入torch.compile大幅提升性能
2024	PyTorch已成深度学习事实标准之一

3.2 PyTorch核心模块速览

torch                           # 顶层包，张量操作、数学函数
├── torch.nn                    # 神经网络层（Linear, Conv2d, LSTM...）
├── torch.nn.functional         # 无参数的函数（激活函数、池化...）
├── torch.optim                 # 优化器（SGD, Adam, AdamW...）
├── torch.utils.data            # 数据加载（Dataset, DataLoader）
├── torch.autograd              # 自动梯度引擎
├── torch.cuda                  # CUDA加速接口
├── torch.distributed           # 分布式训练
├── torch.jit                   # TorchScript即时编译
├── torch.onnx                  # ONNX模型导出
└── torch.compile               # PyTorch 2.0编译器

3.3 PyTorch社区资源

• 官方文档：pytorch.org/docs（非常完善，可读性强）
• 官方教程：pytorch.org/tutorials（60分钟入门、示例项目）
• GitHub：github.com/pytorch/pytorch（6万+ star）
• 论坛：discuss.pytorch.org（有问题先去搜）
• 中文社区：知乎“PyTorch”话题、CSDN、掘金

---

四、学习路线规划与专栏大纲

4.1 深度学习的“不可能三角”误区

很多初学者想同时追求：快 + 深 + 全，结果哪个都没得到。

✅ 正确策略：第一遍不求甚解，第二遍深入细节，第三遍串联知识。

本专栏的设计思路：

• 筑基篇（第1-11课）：掌握张量、自动梯度、网络搭建、完整训练流程
• 进阶篇（第12-20课）：CNN、RNN、Transformer、正则化、可视化
• 工程篇（第21-24课）：分布式训练、部署、排错、工程规范
• 实战篇（第25课）：商业级项目全流程

4.2 完整25课学习地图

┌─────────────────────────────────────────────────────┐
│                  筑基篇（1-11课）                      │
│  环境搭建 → 张量 → 自动微分 → 数据加载 → nn.Module     │
│       → 激活函数 → 损失函数 → 优化器 → 学习率调度       │
│                → 首个全连接训练实战                    │
└─────────────────────────────────────────────────────┘
                          ↓
┌─────────────────────────────────────────────────────┐
│                  进阶篇（12-20课）                     │
│  卷积CNN → 经典复现 → 轻量化网络 → 数据增强            │
│      RNN/LSTM → Transformer原理 → 正则化过拟合        │
│                   → TensorBoard可视化                 │
└─────────────────────────────────────────────────────┘
                          ↓
┌─────────────────────────────────────────────────────┐
│                  工程篇（21-24课）                     │
│  多卡分布式 → 模型部署优化 → 报错大全 → 工程化规范      │
└─────────────────────────────────────────────────────┘
                          ↓
┌─────────────────────────────────────────────────────┐
│                  实战篇（第25课）                      │
│         商业级图像分类项目（整合全部知识）              │
└─────────────────────────────────────────────────────┘

4.3 各阶段学习重点与预计时间

阶段	核心任务	预计用时	产出
筑基篇	跑通第一个训练脚本	2-3周	手写数字识别模型
进阶篇	理解CNN/RNN原理	3-4周	能自己搭建分类/时序模型
工程篇	掌握部署与规范	1-2周	可复用代码模板
实战篇	完成商业级项目	1周	完整项目源码

4.4 学习建议与避坑指南

不建议做的事 ❌

1. 直接看论文公式：零基础看反向传播数学推导会崩溃，先跑通代码再补理论
2. 只读不敲：深度学习是“手艺活”，必须亲手敲代码调试
3. 追求最新模型：没学会CNN直接看ViT（视觉Transformer），就像没学加减法学微积分
4. 跳过基础调参：手写数字分类都没调过学习率，就去挑战Kaggle比赛

建议做的事 ✅

1. 边学边记：维护自己的“踩坑日志”，记录每个报错和解决方案
2. 代码逐行注释：本专栏的代码都会详细注释，你自己重新敲时要能讲出每行的作用
3. 项目驱动：第25课项目从第1课就开始构思，每学一个知识点就问“这个在我的项目里能用上吗”
4. 善用官方文档：CSDN博客可能过时，但官方文档永远权威

4.5 数学要学到什么程度？

这是初学者最焦虑的问题。实话实说：入门阶段高中数学足够，进阶阶段需要大一高数基础。

数学知识	是否必需	在深度学习中的应用
初中代数	✅ 必需	变量、函数、方程（理解输出 = f(wx+b)）
线性代数	✅ 核心	矩阵运算、向量、张量（神经网络本质是矩阵乘法）
微积分	✅ 核心	导数、偏导、链式法则（反向传播的数学基础）
概率统计	⭐ 重要	分布、期望、方差（理解损失函数、正则化）
最优化理论	⭐ 进阶	凸优化、梯度下降变体（理解优化器原理）

📌 具体建议：

• 学第1-11课时，遇到导数、偏导知道“求变化率”即可
• 学到第4课自动微分时，可以补一下链式法则的3个例子
• 学到第9课优化器时，可以了解一下泰勒展开的直觉理解
• 不需要专门啃数学书，遇到不懂的概念再去B站搜“xxx 直观理解”

4.6 硬件要求与配置建议

阶段	最低配置	推荐配置	说明
课程1-15课	4核CPU + 8G内存	6核CPU + 16G内存	不用GPU也能跑，只是慢一点
课程16-25课	4G显存 GPU（GTX 1650）	8G显存 GPU（RTX 3060/4060）	CNN训练需要GPU加速
商业项目	8G显存 GPU	12G+ 显存（RTX 3090/4090）	训练ResNet-50等模型

没有独显怎么办？

• ✅ Google Colab（免费K80/T4 GPU，每周有使用限额）
• ✅ 阿里云PAI、AutoDL（按小时租GPU，几块钱一小时）
• ✅ Kaggle Notebook（每周30小时免费GPU）

本专栏所有代码都标注了“CPU可运行版本”和“GPU加速版本”，没有显卡也能学。

---

五、应用场景深度解析

5.1 计算机视觉（CV）典型任务详解

图像分类（Image Classification）

• 输入：一张图片
• 输出：类别标签（猫/狗/车）
• 经典模型：ResNet、EfficientNet、ViT
• 本专栏实战：第11课手写数字识别、第25课商业级图像分类

目标检测（Object Detection）

• 输入：一张图片
• 输出：多个边界框 + 类别
• 经典模型：YOLO（实时性极强）、Faster R-CNN（高精度）
• 拓展知识：学完CNN后可自行学习YOLO

语义分割（Semantic Segmentation）

• 输入：一张图片
• 输出：每个像素的类别（像素级分类）
• 经典模型：U-Net（医学影像）、DeepLab

5.2 自然语言处理（NLP）典型任务详解

文本分类（Text Classification）

• 输入：一句话或一段文本
• 输出：类别（情感正负向、新闻分类）
• 经典模型：TextCNN、LSTM、BERT
• 本专栏涉及：第17课LSTM文本分类

序列标注（Sequence Labeling）

• 输入：文本序列
• 输出：每个位置的标签（分词、命名实体识别）
• 经典模型：BiLSTM-CRF、BERT

生成任务（文本生成、翻译）

• 输入：源文本
• 输出：目标文本
• 经典模型：Transformer、GPT系列

5.3 多模态与生成式AI（2024年热点）

大模型的爆发让多模态成为必学方向，本专栏第18课会详解Transformer架构，这是所有大模型的基石。

• 文生图：Stable Diffusion、DALL-E、Midjourney
• 视觉语言模型：GPT-4V、LLaVA
• 视频生成：Sora、Runway Gen-2

---

六、入门误区避坑指南

误区1：一定要先把数学学透再学深度学习

❌ 错误：花半年学完线性代数、微积分、概率论、凸优化，然后发现全忘了。

✅ 正确：在用中学。遇到x = torch.matmul(A, B)时，再去看矩阵乘法定义；遇到loss.backward()时，再去查链式法则。有代码上下文，理解效率提高3倍以上。

误区2：跑通一个模型就觉得自己会了

❌ 错误：用现成代码跑通MNIST，就敢写在简历上“精通PyTorch”。

✅ 正确：至少要能回答：

• 为什么学习率设置为0.001而不是0.1？
• Batch Size变化时该怎么调参？
• 训练集准确率99%，验证集70%，怎么办？

本专栏的每段代码都需要你手动敲一遍、改参数看效果、故意制造bug再修复。

误区3：沉迷调参，不关注数据质量

❌ 错误：花3周调超参数，模型准确率从85%提到86%，但数据里有10%的标签是错误的。

✅ 正确：数据决定上限，模型只是逼近这个上限。拿到任务后第一步永远是分析数据分布、检查标签噪声、做数据清洗。

误区4：不开可视化训练过程

❌ 错误：训练脚本启动后就去干别的事，回来看到Loss=0.001就开心，完全不知道中间是否震荡过。

✅ 正确：第20课会详细讲TensorBoard，每轮训练记录损失和准确率，曲线能告诉你学习率是否合适、是否过拟合、梯度是否爆炸。

误区5：忽略版本兼容性

❌ 错误：教程用的是PyTorch 1.9，你装了2.2，某个API废弃了导致报错，花一天查问题。

✅ 正确：创建虚拟环境时固定版本号。本专栏使用的版本会在第2课给出requirements.txt。

---

七、专栏整体学习大纲梳理

为了让你对整个25课有全局视野，这里把课程分成4个篇章，并标注每课的核心知识点。

第一篇章：筑基篇（第1-11课）

课程	主题	核心产出
第1课	前置知识与整体认知	建立正确学习观，明确路线图
第2课	全平台环境搭建	本地可运行的PyTorch环境
第3课	Tensor张量精讲	灵活操作张量，理解形状变换
第4课	Autograd自动微分	搞懂backward()原理
第5课	数据流与预处理	自定义Dataset和DataLoader
第6课	nn.Module核心架构	搭建自定义网络的标准写法
第7课	激活函数全品类	选对激活函数，避免梯度消失
第8课	损失函数详解	回归/分类/自定义损失
第9课	优化器实战	SGD/Adam/AdamW选择策略
第10课	学习率调度策略	使用LR Scheduler提升收敛
第11课	全连接实战	手写数字识别完整项目

第二篇章：进阶篇（第12-20课）

课程	主题	核心产出
第12课	CNN卷积神经网络	理解卷积、池化、感受野
第13课	经典CNN复现	LeNet/AlexNet/VGG代码
第14课	轻量化CNN	ResNet/MobileNet原理
第15课	图像数据增强	提升泛化能力的关键技巧
第16课	RNN循环神经网络	时序数据处理
第17课	LSTM与GRU	长序列建模
第18课	Transformer架构	自注意力机制，大模型基础
第19课	正则化与过拟合	Dropout/BatchNorm/L1L2
第20课	TensorBoard可视化	训练过程实时监控

第三篇章：工程篇（第21-24课）

课程	主题	核心产出
第21课	GPU多卡训练	DDP分布式训练基础
第22课	模型推理部署	ONNX导出、量化加速
第23课	一站式排错大全	20+高频报错解决方案
第24课	工程化代码规范	企业级项目目录结构

第四篇章：实战篇（第25课）

课程	主题	核心产出
第25课	商业级完整项目	可商用二次开发的图像分类系统

⭐ 建议学习节奏：每2-3天完成1课，每课用2小时阅读+2小时编码+1小时总结。预计2-3个月学完全部25课，达到中级PyTorch工程师水平。

---

八、课后总结

核心知识点回顾

1. 概念层次：人工智能 ⊃ 机器学习 ⊃ 深度学习
2. 神经网络本质：输出 = 激活函数(权重 × 输入 + 偏置)，通过反向传播 + 梯度下降学习参数
3. PyTorch核心优势：动态计算图（易调试）、Pythonic（上手快）、学术界统治地位（论文复现容易）
4. 学习路线：筑基（1-11）→ 进阶（12-20）→ 工程（21-24）→ 实战（25）
5. 心态准备：先跑通代码，再补理论，不用被数学吓倒

学习检查清单

学完这一课，你能回答以下问题吗？

• 深度学习和传统机器学习最大的区别是什么？
• 神经网络中的“权重”和“偏置”是干什么的？
• 为什么PyTorch在学术界比TensorFlow更受欢迎？
• 本专栏25课分为哪四个篇章？每章的核心目标是什么？
• 如果我没有GPU，该怎么继续学习？

如果全部能答上来，恭喜你已经具备了正确的认知框架！

---

九、课后作业

作业1：概念梳理（不用写代码）

用你自己的话（不要复制粘贴）回答以下问题，写在备忘录或笔记本上：

1. 用一个生活化的比喻解释“反向传播”和“梯度下降”的关系。
2. 假设你想让AI学会玩《超级玛丽》，你会怎么设计神经网络？需要输入什么？输出什么？损失函数怎么定义？
3. 去PyTorch官网（pytorch.org）浏览10分钟，找到“Tutorials”页面下有没有你感兴趣的示例。

作业2：环境准备（为第2课热身）

• 去Anaconda官网下载对应你系统的安装包（不用安装，只是先下载好）
• 检查你的电脑是否有NVIDIA显卡（Win：任务管理器→性能→GPU；Mac：关于本机→系统报告→图形卡）
• 如果没有NVIDIA显卡也没关系，第2课会教纯CPU版本

作业3：预习任务

• 百度/谷歌搜索“PyTorch tensor”，粗略了解张量和数组的区别
• 搜一下“CUDA vs CPU”，了解显卡加速的原理（不要求完全理解，有个印象即可）

作业提交建议

虽然这是自学专栏，但强烈建议你：

1. 把作业1的答案发到学习群/知乎/博客，输出是最好的输入
2. 环境准备遇到问题就搜一下，第2课会系统讲解，不用焦虑

---

十、下一课预告

第2课我们将手把手搭建PyTorch开发环境，覆盖：

• Windows/Mac/Linux全平台安装流程
• Anaconda虚拟环境管理
• CUDA加速配置（有显卡的同学）
• Jupyter Notebook + PyCharm配置
• 常见环境报错完整解决方案

请确保在学第2课之前，你已经下载好Anaconda安装包。

🎉 恭喜你完成了深度学习认知的奠基！编程是“手艺”，从第2课开始我们就要真正写代码了。保持好奇心，多动手，遇到报错别慌（第23课会帮你兜底）。我们下节课见！

---

附录：本章提到的核心概念速查表

术语	一句话解释
深度学习	用多层神经网络自动提取特征的方法
神经网络	由大量简单神经元组成的计算系统
权重/偏置	网络需要学习的参数
激活函数	给网络引入非线性的函数
前向传播	从输入到输出的计算过程
损失函数	衡量预测与真实值差距的函数
反向传播	从输出到输入计算梯度的方法
梯度下降	沿梯度反方向更新参数的优化算法
动态计算图	PyTorch的特色，边运行边构建计算图
CUDA	NVIDIA的GPU加速平台

---

🔗《精讲25课｜PyTorch 从入门到精通》系列课程导航

去订阅

🌟 感谢您耐心阅读到这里！
💡 如果本文对您有所启发欢迎：
👍 点赞📌 收藏 📤 分享给更多需要的伙伴。
🗣️ 期待在评论区看到您的想法, 共同进步。
🔔 关注我，持续获取更多干货内容～
🤗 我们下篇文章见～