深度学习从零到一实战手册

01

深度学习概述跳转

人工智能、机器学习与深度学习的关系，发展简史，主要应用领域：计算机视觉、自然语言处理、语音识别。

02

环境搭建与工具链跳转

Anaconda安装配置，Python虚拟环境，Jupyter Notebook，PyTorch安装与验证。

03

Python基础回顾跳转

NumPy数组操作与广播，Matplotlib可视化，Pandas数据处理基础。

04

线性代数基础跳转

标量、向量、矩阵与张量，矩阵运算，特征值与特征向量，SVD分解简介。

05

微积分与概率论跳转

导数与梯度，链式法则，概率分布（高斯、伯努利），最大似然估计。

06

感知机与神经网络起源跳转

M-P神经元模型，感知机算法与局限，多层感知机的提出。

07

从线性回归到逻辑回归跳转

线性回归与最小二乘法，梯度下降，逻辑回归与Sigmoid，交叉熵损失。

08

前馈神经网络跳转

网络结构（输入/隐藏/输出层），激活函数详解（ReLU, Sigmoid, Tanh, Softmax），权重初始化。

09

反向传播算法跳转

计算图与链式法则，反向传播数学推导，梯度消失与梯度爆炸。

10

优化算法跳转

批量/随机/小批量梯度下降，动量法，Adam，学习率调度策略。

11

过拟合与正则化跳转

过拟合原因，L1/L2正则化，Dropout，早停法，数据增强。

12

模型评估与调优跳转

训练/验证/测试集划分，交叉验证，混淆矩阵与分类指标，学习曲线。

13

卷积神经网络基础跳转

卷积操作，填充与步长，池化层，LeNet-5网络结构解析。

14

经典CNN架构跳转

AlexNet, VGGNet, GoogLeNet/Inception, ResNet, DenseNet。

15

图像分类实战跳转

CIFAR-10数据集，PyTorch搭建CNN分类器，训练与评估流程。

16

目标检测入门跳转

目标检测任务，边界框与IoU，NMS，YOLO系列简介。

17

图像分割基础跳转

语义/实例分割，FCN，U-Net架构与医学图像应用。

18

循环神经网络跳转

序列数据，RNN结构，BPTT，LSTM，GRU。

19

自然语言处理基础跳转

词嵌入(Word2Vec, GloVe)，文本预处理，序列到序列与注意力机制。

20

Transformer与自注意力跳转

自注意力机制，多头注意力，编码器-解码器结构，位置编码。

21

BERT与预训练模型跳转

BERT预训练(MLM, NSP)，Fine-tuning，GPT系列，Hugging Face库。

22

生成对抗网络跳转

GAN原理，生成器与判别器，训练技巧，DCGAN, WGAN简介。

23

自编码器与变分自编码器跳转

自编码器结构，去噪自编码器，VAE与重参数化技巧。

24

迁移学习与领域自适应跳转

迁移学习概念，预训练模型微调，特征提取器与分类器分离，领域自适应。

25

模型部署与推理优化跳转

模型导出(ONNX, TorchScript)，量化(INT8, FP16)，剪枝蒸馏，TensorRT。

26

分布式训练基础跳转

数据并行与模型并行，同步/异步SGD，PyTorch DDP，混合精度训练。

27

强化学习入门跳转

马尔可夫决策过程，Q-Learning, DQN，策略梯度，Actor-Critic。

28

图神经网络基础跳转

图数据结构，图卷积网络(GCN)，图注意力(GAT)，PyTorch Geometric。

29

深度学习项目实战（上）跳转

项目选题与需求分析，数据收集与清洗，特征工程，模型选型与基线建立。

30

深度学习项目实战（下）跳转

模型训练与超参数调优，结果分析可视化，模型解释性(Grad-CAM, SHAP)，项目总结。

📘 深度学习从零到一实战手册 30章 · 完整目录