站内索引 / 课程与概念
搜索知识库
输入中文术语、英文别名、符号或 LaTeX。结果覆盖课程概念、正文、方程、实验、学习路径和资源，可按学科、主题、类型与难度筛选。
11 项
- article
反向传播：链式法则如何训练神经网络
沿计算图拆解前向值、局部导数与总梯度，理解反向模式自动微分为何能高效训练共享参数的神经网络。
machine-learning · neural-networks · 难度 4 · 正文可读 - article
感知机与多层感知机：从线性边界到可学习的非线性
从线性阈值分类器、误分类更新与可分性出发，推导多层感知机的前向传播、张量形状、参数数量和表达能力边界。
machine-learning · neural-networks · 难度 3 · 正文可读 - concept
卷积神经网络
用局部连接和权重共享提取平移结构特征，并逐层扩大感受野。
machine-learning · neural-networks · 难度 4 · 详细大纲 - concept
循环网络、LSTM 与 GRU
用递归隐藏状态处理序列，并以门控机制缓解长期依赖中的梯度衰减。
machine-learning · neural-networks · 难度 4 · 详细大纲 - concept
残差连接
让层学习相对恒等映射的残差，改善深层网络的信息与梯度传播。
machine-learning · neural-networks · 难度 4 · 详细大纲 - concept
神经网络优化
把反向传播梯度交给小批量、动量和自适应优化器，并监控训练稳定性。
machine-learning · neural-networks · 难度 4 · 详细大纲 - concept
计算图
把复合函数表示为基本运算节点和依赖边，为局部导数与反向累积建立结构。
machine-learning · neural-networks · 难度 3 · 详细大纲 - concept
链式法则
把复合函数的局部变化拆为各层导数的乘积，并推广到多变量映射。
mathematics · calculus · 难度 2 · 详细大纲 - book
Deep Learning
系统介绍深度网络的数学基础、优化与建模方法。
- learning-path
从感知机到 Transformer
沿梯度流、卷积、循环、注意力和残差结构理解现代神经网络。
- learning-path
从线性模型到神经网络
从监督学习和线性分类进入损失、泛化、多层感知机与反向传播。