本文将从最基础的感知机模型讲起，逐步推导神经网络的基本结构， 结合直观示例解释激活函数、损失函数与反向传播的核心逻辑， 帮助初学者建立深度学习的底层认知框架。
深入解析卷积神经网络的卷积层、池化层与全连接层原理， 结合CIFAR-10数据集完整演示模型搭建流程， 包含数据预处理、模型编译、训练与评估的全流程代码。
详细讲解Transformer的自注意力机制、Encoder-Decoder结构， 分析BERT与GPT模型的核心创新点， 结合自然语言处理任务说明Transformer如何解决序列建模难题。
对比SGD、动量法、Adagrad、Adam等优化算法的原理， 解析AdamW的权重衰减改进策略， 通过实验展示不同优化器对模型收敛速度与泛化能力的影响。