我的最开始是传统派：全部手写。后来有cli工具了，我用Claude Code重构过一次Obsidian，搞完之后还是维护不动，几周就废弃了。后来发现，不对啊，让人来维护本身就是不合理的，AI应该持续维护结构，人只负责扔原料和提问。这套体系的灵感来源是 Karpathy 的和知乎里一篇讲苏格拉底式学习法的文章，然后我把它们缝合到一起了。

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。不管

其实神经网络没有你想象得那么可怕，今天给大家推荐一本专为新手打造的入门书——《Deep Learning Demystified》（2025年6月9号出版），它会把那些看似“高深”的概念拆解成大家都能懂的小步骤。作者假设你对AI几乎一无所知（只能说太懂交叉学科的学生了），所以从“神经元是什么”讲起，再到人工神经元、感知机，最后才逐步过渡到多层神经网络，就像上楼梯，一步一步，不会让你直接掉进数学大坑

提到机器学习的好书，人们总能列举出不少。此外，这本书着重于让读者清晰理解相关思想，强调技术的实际应用价值，而非抽象的理论观点，所以对于复杂的概念，都会从文本、图表、数学公式和伪代码等多个相互补充的角度进行呈现。而且，这也是我头一回见到，能让Geoffrey Hinton、Yann LeCun、Yoshua Bengio这三位人工智能领域的顶尖权威同时赞誉的深度学习著作！这本书围绕深度学习的核心思想

它以图像和动画的形式来解释深度学习是怎么一层层简化复杂事物的，我们可以设置数据分布类型、训练集和测试集的比例、批量大小、隐藏层、神经元个数、学习率、激活函数、正则化和任务类型等参数。——这绝对是深度学习初学者的福利，很多同学在学深度学习和神经网络的过程中，很容易被复杂的数学模型和公式劝退，但是这个网站不需要你懂任何复杂的数学运算就可以帮你掌握神经网络的概念。它展示了卷积神经网络（CNN）的所有实现

某种意义上也可以理解为一定的有监督，但其又不是完全将奖励值作为学习目标，并且一般是实时的，基于概率去抽样下一步行为的，所以又有着一定的区别。因为只需要一部分有标签的数据，所以只需要人工标注一些数据即可，又不像无监督一样，毫无答案可言，所以基于人力资源和效果上的综合考虑，现在半监督学习也是一个比较受关注的方向。可以看到在 d、e层就已经超越了人类的理解范畴，更别说到了后面层的特征图。除了以上两点，深

在深度学习的圈子里，“炼丹” 这个词常常被大家挂在嘴边。有人调侃 “炼丹师” 是在黑暗中摸索的神秘职业，也有人质疑 “炼丹” 不过是重复调参的体力活。但实际上，深度学习会 “炼丹” 不仅是本事，更是一门含金量极高的技术活！今天，就让我们揭开 “炼丹” 的神秘面纱，看看它究竟 “神” 在哪里🧐​一、“炼丹” 究竟炼的是什么？​在深度学习中，“炼丹” 通常指的是模型调优的过程，包括超参数调整、数据预

强化学习现在是AI领域的重要分支，已经广泛应用于游戏、自动驾驶、机器人控制、资源优化、金融交易等众多领域，不断推动着智能系统在复杂环境中的决策与学习能力向更高层次发展。对初学者而言，强化学习有较高的学习门槛，容易望而却步。但它给出了各个算法的可执行代码，帮大家快速上手尝试，拉近了讲授内容与读者的距离，是入门强化学习的必备参考教材。第二部分为强化学习进阶，讨论深度强化学习的思维方式、深度价值函数和深

计算机视觉中的视觉识别方法，主要讲解基于深度学习的视觉识别方法，包括基于深度学习的图像分类、语义分割、目标检测、动作识别等；已经了解算法原理，只想要动手进行代码实践的读者，可以只关注代码的具体实现部分，一点也不影响阅读！计算机视觉中的图像处理基础，介绍了图像滤波、特征检测、图像拼接、图像分割等经典的图像处理算法；计算机视觉中的场景重建，主要讨论照相机标定、运动场和光流、平行双目视觉以及三维重建。计

题目：DPNet: Dynamic Pooling Network for Tiny ObjectDetection论文地址：https://arxiv.org/abs/2505.02797。