本文实现了一个简单的线性回归模型，通过PyTorch框架完成数据生成、模型训练和结果可视化。首先使用create_data函数生成500个带噪声的线性数据样本，其中权重true_w=[8.1,2,2,4]，偏置true_b=1.1。然后定义data_provider函数实现批量数据加载，采用随机打乱索引的方式避免过拟合。模型训练过程包含预测函数fun、MAE损失函数maeLoss和随机梯度下降优化

摘要：卷积手算是深度学习入门、考研复试、算法面试的高频考点，很多人容易在通道数、padding计算上踩坑！本文整理13道经典手算题（从单通道到多通道，循序渐进），先自测再详解，标注易错点+关键步骤，总结万能公式，帮你快速吃透卷积计算，复盘记忆、直接备考套用都合适！卷积神经网络（CNN）的核心基础的是卷积计算，而手算卷积尺寸、参数量，是理解CNN原理、应对考研复试提问、算法面试笔试题的关键。

本文作为深度学习基础篇的核心章节，从生物神经元的 “阈值判断” 机制出发，系统解析了激活函数的核心作用 —— 为神经网络注入非线性，打破 “线性陷阱”。文章通过数学推导直观证明了无激活函数的多层网络等价于单层网络，随后详细介绍了 Sigmoid 与 ReLU 两种经典激活函数的原理、优缺点及适用场景。为了让读者更好地理解，文中还提供了完整的 PyTorch 代码实战，通过对比 “无激活函数”“Si

本文作为深度学习基础篇的开篇第 0 章，从 “定义模型→定义损失→优化参数” 的核心三步法出发，系统拆解了深度学习的本质逻辑。文章从神经网络的输入输出形式入手，逐步过渡到从单神经元标量运算到复杂网络张量运算的升级过程，重点讲解了张量维度定义、核心匹配规则与运算法则，帮助读者建立从 “黑盒子” 到可理解的深度学习认知框架，为后续激活函数、卷积神经网络等进阶内容打下坚实基础。

本文从深度学习中回归任务与分类任务的核心区别入手，详细讲解了如何从全连接网络过渡到处理图像的卷积神经网络。文章先介绍图像在神经网络中的表示形式（通道、高度、宽度），再深入解释卷积、卷积核、感受野、步长、填充、池化等关键概念，并给出卷积输出尺寸与参数量的计算公式与实战例题。同时针对初学者常见疑问，清晰区分卷积与池化的不同作用，最后手把手带大家搭建一个简易 CNN 结构，完整展示从3×224×224图

本文为深度学习基础实战篇，承接上一篇经典卷积神经网络（AlexNet、VGGNet、ResNet）的原理讲解，聚焦三大网络的 PyTorch 模拟实现代码。全文以逐行拆解的方式，详细解析每段代码的设计逻辑、层参数含义、前向传播流程，重点突破残差连接、BN 层、1×1 卷积、模块化构建等核心难点，同时纠正入门常见误解，补充代码优化建议。文章兼顾理论衔接与实战落地，通过代码对应原理的方式，帮助深度学习

本文系统梳理深度学习史上三大里程碑式卷积神经网络：AlexNet、VGGNet、ResNet的演进脉络。从AlexNet四大创新点（ReLU、Dropout、重叠池化、归一化）出发，讲解现代CNN的基础设计范式；再深入VGGNet极简结构与感受野原理；最后重点解析ResNet残差连接，破解深层网络“退化”与梯度消失难题。文末附带VGG16维度与参数量实战计算练习，帮助读者巩固卷积、池化、全连接层的

本文作为「深度学习基础篇」第 7 篇，以 food-11 食物分类为实战场景，完整讲解了图像分类项目从 0 到 1 的全流程：从基础包导入、按类别读取数据集、定义数据增广策略，到自定义 CNN 模型搭建、训练验证函数编写，再到迁移学习的核心应用（ResNet18 从零训练 vs 预训练微调），最后通过工程化封装实现多模型一键切换。文章不仅拆解了小数据集下 CNN 训练的核心痛点，还提供了完整可复用

深度学习的核心，是把原始数据编码、压缩、提炼成高维特征向量，再用这些特征完成分类、生成、检测等任务。本文从有监督、无监督、自监督三大范式出发，讲解模型如何自动学习有效特征，并详细介绍 GAN、扩散模型、CycleGAN、对比学习、自编码器等经典特征学习方法，以及它们在食物分类、图像转换、风格迁移等场景的实际应用，最终带你理解：什么是好特征，以及如何让模型学到好特征。

本文系统梳理了从传统文本表示到预训练模型的完整演进路线，依次讲解词嵌入、RNN、LSTM、自注意力机制、Transformer 与 BERT 模型。内容由浅入深，用通俗语言拆解核心原理与结构，包含直观图解与关键公式，清晰说明各模型的优缺点、适用场景与进化逻辑。文章兼顾基础入门与实战理解，帮助读者快速掌握现代 NLP 发展脉络，适合深度学习初学者学习与复习使用。