深度学习教程

这个专题围绕神经网络的核心计算展开：矩阵微积分、反向传播、卷积、感受野、优化器几何、Attention 和小型 CNN。目标不是堆砌模型名称，而是把一次前向传播、一次梯度计算和一次参数更新讲到可以手算、可以写代码、可以调试。

深度学习很容易被框架封装成几行调用，但真正排查问题时，仍然需要理解张量形状、损失函数、梯度流、初始化、学习率和数据预处理。本站的文章会尽量把公式、代码和可视化放在同一条线索里。

如何学习这个专题

如果你对神经网络还不熟，建议先阅读矩阵微积分和两层 MLP 的反向传播，再看卷积与感受野。理解这些基础后，再进入 Transformer Attention、KV Cache 或多模态模型内容会更稳。不要急着比较大模型能力，先确认自己能解释一个小模型为什么会更新参数。

每个概念最好配合一个可运行小实验。比如改变学习率观察 loss surface 轨迹，修改 padding 和 stride 计算输出尺寸，手动打印中间梯度检查反向传播是否符合推导。这些小实验比只背公式更能帮助你定位错误。

内容边界

本站的深度学习文章偏基础和可复现，不承诺覆盖最新论文排行榜，也不把训练大模型作为默认目标。对于需要大量算力的数据集，本站会优先解释抽象机制和小规模替代实验。这样读者可以先建立正确的计算图和评估习惯，再决定是否进入更大的工程项目。

调试证据

一篇深度学习文章如果只展示最终 loss 或准确率，读者很难判断模型是否真的按预期工作。更有价值的证据包括输入张量形状、权重矩阵形状、前向输出、损失计算、局部梯度、参数更新量、训练/验证划分和错误样本。对于卷积文章，还应记录 kernel 大小、padding、stride、输出尺寸和感受野；对于 Attention 文章，还应记录 token 位置、Q/K/V 形状、score、softmax 权重和缓存状态。

这些中间值很重要，因为很多错误不会在最终指标里立即暴露。模型训练慢可能来自学习率、标签错位、维度转置、验证集泄漏或梯度消失。本站会尽量把这些可以检查的值写进教程，让读者能按步骤复查，而不是把模型当作黑盒。

从小模型走向大系统

小模型不是终点，但它们是理解大模型的入口。读者如果能解释两层 MLP、Tiny CNN 或 Attention toy example 的输入输出，就更容易判断大型框架中哪些张量被归一化、哪些参数被冻结、哪些状态被缓存、哪些指标证明模型在泛化。这个能力比记住模型名称更持久。

因此本站不会把深度学习专题写成模型排行榜摘要。后续补充会继续围绕可跟踪计算展开：公式如何落到代码，代码如何产生中间值，中间值如何支持结论。这样的内容更适合长期维护，也更容易让新读者确认页面不是低信息密度的泛泛介绍。

计算证据矩阵