一、用系统思维理解“学习深度学习”

系统思维的重点，不是孤立地看某一个部分，而是看各部分怎样连接、怎样相互影响，以及为什么会形成现在的结果。 按《系统之美》的说法，一个系统不是零件的堆积，而是由
$$系统=要素+连接方式+目标$$

共同构成的整体。¹²

把这个观点放到“学习深度学习”上，就会发现：真正决定学习效果的，往往不是你看了多少资料，而是这些资料、练习、实验和复盘有没有被组织成一个能持续运转的系统。²³⁴¹ 也就是说，
$$学习效果更多来自结构，而不只是来自投入本身$$

 

二、深度学习举例

先看结构：要素如何配合

如果把学习深度学习看成一个系统，首先要看它的结构。深度学习这个结构里当然有很多要素，比如数学基础、编程能力、框架工具、课程资料、练习项目、实验记录和学习时间，但更重要的是这些要素之间有没有形成清晰的次序和关系。

如果把“学习一门东西”看成一个系统，那么教材、代码、时间、笔记、练习都只是要素。 真正的结构是：学一个概念，做一次练习，得到结果，发现问题，再回头修正理解，也就是“输入—实践—反馈—修正”的闭环。

$$如果只有看书和记笔记，没有实验和反馈，那就是“有要素，但结构很弱$$

一个好的学习系统，目标也不能只是“把内容看完”，而应该更明确一些：

• 第一，能看懂模型；
• 第二，能复现训练；
• 第三，能解释结果为什么好或差。

这样的目标一旦确定，系统中的内容就会自动分出轻重，哪些是主干，哪些只是补充，读者或学习者也就不容易陷入“材料很多，但抓不住重点”的状态。

 

再看反馈：系统为什么会自己推动自己

系统思维特别重视反馈回路，因为系统的行为往往就是由反馈推动出来的。 其中，正反馈会放大变化，负反馈会缩小偏差，让系统向目标靠近。³²

放到学习深度学习的场景里，正反馈很容易理解：你学懂了一个概念，成功跑通了一段代码，于是获得成就感，更愿意继续往下学。负反馈也同样重要：实验效果不好，恰恰说明你的理解、实现或数据处理出了问题，于是你回头修正，再重新实验；这种不断暴露问题、再不断修正的过程，会让学习系统慢慢稳定下来。²

 

然后看行为：系统最终会表现成什么样

$$当结构和反馈稳定以后，系统就会表现出长期行为，这是系统思维最关心的地方$$

如果一个人的学习流程是“理解概念—动手实现—观察结果—发现问题—再次修正”，那么他的能力通常会持续积累，因为系统已经形成了闭环。²

相反，如果学习只是停留在看书、看视频和记术语，系统里就缺少关键反馈。这样的人也许知道不少概念，但一到真正训练模型、分析误差或调试结果时，往往会感到吃力，因为系统只有输入，没有返回修正的机制。¹²

 

最后看杠杆：哪里最值得改（改反馈或目标？）

系统思维还有一个很重要的判断：

$$不是所有改动都同样有效，真正重要的是找到杠杆点。$$

梅多斯指出，只改参数往往影响有限，而改反馈、改目标，通常更能改变系统的整体表现。¹

所以，对“学习深度学习”这个系统来说，最弱的改变是多买几本书、多收藏几门课；更有效的改变，是让每学一个模型都配一个最小实验；最有力的改变，则是直接修改目标，把“我学过了”换成“我能复现、能解释、能改进”。一旦目标变了，连接方式会跟着变，反馈也会变，整个学习过程就会从“被动输入”转向“主动生长”。

 

三、小结

因此，用系统思维理解学习深度学习，关键不在于把知识点一条条背下来，而在于把学习过程看成一个有结构、有反馈、有长期行为的整体。 ³¹²

$$先看结构-》再看反馈-》再看行为=》最后找到杠杆点$$

$$很多原本杂乱的学习内容就会自然变得清楚，也更容易坚持下去。$$

---

1. https://blog.csdn.net/usstmiracle/article/details/151185488 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

2. https://www.processon.com/view/635a3f5c7d9c08135ca6b6dd ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

3. https://cloud.tencent.com/developer/news/1419417 ↩︎ ↩︎ ↩︎

4. https://www.digitaling.com/articles/448510.html ↩︎