深度学习：从概念到实践.pptxVIP

DEEPLEARNING深度学习：从概念到实践核心概念·网络架构·应用场景·行业实践2026

课程导览01核心概念梳理建立直觉与术语体系02网络架构演进拆解主流模型脉络03应用场景落地场景化呈现技术价值04行业实践案例复盘真实项目与趋势

深度学习系列01深度学习核心概念先懂思想，再谈模型

从感知机到深度网络机器如何区分猫和狗？01感知机思路输入加权求和，超过阈值即输出判断，只能解决线性可分问题。02突破来自叠加多个感知机层层堆叠，后一层对前一层输出再做组合。03核心结论以「层」为单位的堆叠结构即神经网络基本形态；「深度」=层数的增加。深度不是玄学，是层数堆出来的表达能力

神经元、权重与激活记住这三个部件，后续所有架构都只是它们的排列组合决策节点三件事：接收输入→加权求和→决定输出多少权重=重要程度训练的本质：不断调整权重类比：每条输入的「话语权」激活函数=要不要激活没有它，多层网络再深也只是线性堆叠Sigmoid早期概率输出ReLU计算简单、缓解梯度消失，今日主流Softmax多分类概率归一

训练、损失与反向传播训练=下山找最低点学生不必记住求导细节，只需建立这个直觉：训练就是这两个过程在数据上的反复循环。前向负责预测，反向负责修正损失函数=海拔计衡量差距衡量预测与正确答案差多远，差得多，损失就大反向传播=指南针指引方向把误差从输出