第02篇：深度学习核心概念——从感知机到LLM的“中间件“

原创 于 2026-07-01 14:17:13 发布 · 14 阅读 · 0 GEO检测

前置知识：第01篇数学基础 / 基础的 Python 编程经验

引言：为什么叫"中间件"？

第01篇我们聊了数学"最小够用集"。现在要往前进一层——把数学和代码之间的桥梁搭起来。

神经网络的每个组件——激活函数、归一化层、损失函数——在代码里就像是"中间件"：它们接受前一层的数据，加工处理，再传递给下一层。你不需要每次自己写它们（PyTorch 都封装好了），但如果你不理解它们各自在干什么，模型训练出问题时你根本不知道从哪里下手。

这一篇，我们就来拆解这些"中间件"：它们长什么样、为什么这么设计、换一个会怎样。

一、前向传播与反向传播：神经网络的"呼吸"

1.1 从感知机说起

感知机（Perceptron）是最简单的神经网络单元：

y = step ( w ⋅ x + b ) y = \text{step}(w \cdot x + b)

标签
#深度学习 #人工智能
了解本专栏 订阅专栏 解锁全文 超级会员免费看
从关键概念到应用：深入了解大规模语言模型（LLM）
AI大模型应用之禅
12-10 1087
大规模语言模型（LLM）、Transformer、深度学习、自然语言处理（NLP）、文本生成、机器翻译、问答系统 1. 背景介绍 近年来，人工智能（AI）领域取得了令人瞩目的进展，其中大规模语言模型（LLM）作为一种强大的工具，在自然语言处理（NLP）领域展现出巨大的潜力。LLM 能
大语言模型学习之AI，ML，NN，DL， GAI， LLM
wjsxgd的博客
03-30 1709
了解人工智能的基本概念，基本应用
AI 技术演进图谱：从人工智能到 LLM 的「包含与递进」关系解析
huang9604的博客
05-26 1530
在科技浪潮席卷的当下，AI领域的技术脉络如同精密的齿轮相互咬合。从宏观的人工智能愿景，到机器学习的核心支撑，再到深度学习的突破性进化，直至大语言模型的震撼登场，技术范畴层层递进，复杂度与应用场景不断聚焦。
深度学习与神经网络：核心原理及发展脉络
qq_74732076的博客
08-14 764
本文系统解析了深度学习与神经网络的核心内容。深度学习作为机器学习的子集，核心差异在于可自动提取特征，无需人工设计，虽因 “黑盒” 特性可解释性弱，但凭借算力提升，能处理多类数据，广泛应用于图像处理、NLP、自动驾驶等领域，推动 “AI+” 跨界融合。其发展脉络清晰：从 20 世纪 50 年代感知机起步，因局限遇冷；80 年代 BP 算法掀起浅层模型热潮；2006 年 “深度学习” 概念确立；
机器学习实战(9)：神经网络基础——从感知机到多层感知机
yweng18的博客
02-20 1590
在机器学习中，神经网络（Neural Networks) 是一种强大的工具，能够解决复杂的分类和回归问题。从简单的感知机到复杂的多层感知机（MLP），神经网络已经成为深度学习的核心技术之一。今天我们将深入探讨神经网络的基本结构，并通过实践部分使用 TensorFlow/Keras 构建一个多层感知机（MLP）来解决 MNIST 手写数字识别问题。
从感知机到Transformer，一文概述深度学习简史
weixin_40920183的博客
05-28 278
选自getrevue.co作者：Jean de Dieu Nyandwi机器之心编译这篇文章从感知机开始，按照时间顺序回顾了深度学习的历史。1958 年：感知机的兴起1958 年，弗兰克 · 罗森布拉特发明了感知机，这是一种非常简单的机器模型，后来成为当今智能机器的核心和起源。感知机是一个非常简单的二元分类器，可以确定给定的输入图像是否属于给定的类。为了实现这一点，它使用...
人工智能（AI）、机器学习（ML）、深度学习（DL）和大模型（LLM）的概念与区别
最新发布
WANGJUNAIJIAO的博客
04-25 701
本文系统解析了人工智能（AI）相关概念：AI是模拟人类智能的技术，机器学习（ML）作为其子集通过数据自主学习，深度学习（DL）则采用多层神经网络处理复杂数据，而大模型（LLM）作为DL的高级形态，凭借海量参数和大规模训练展现出卓越的通用能力。文章通过语音助手、音乐推荐等实例生动说明技术差异，并强调掌握AI大模型知识的重要性，最后提供CSDN独家学习资料包助力进阶。全文以150字精炼概括核心内容，保留关键概念和技术层级关系。
从零到精通：LLM Fundamentals 全解析，掌握未来AI核心！
m0_63171455的博客
03-29 453
本文系统介绍了大型语言模型(LLM)的基础知识和技术要点。首先阐述了机器学习的数学基础(线性代数、微积分、概率统计)和Python编程技能。其次讲解了神经网络原理、训练优化方法及过拟合处理。然后详述自然语言处理(NLP)关键技术，包括文本预处理、特征提取和词嵌入等。最后重点解析了LLM架构、数据集构建和预训练过程，涉及Transformer原理、注意力机制、文本生成策略等内容。全文通过理论讲解结合实践资源，为读者提供了LLM领域的全面学习路径。
【必读收藏】AI大模型核心概念图解：小白也能看懂的全面指南
AI大模型的博客
12-19 876
到此层次就比较清晰了，我们来做个总结：从深度学习发展的递进关系看：机器学习-》神经网络-》深度学习。目前大部分力量都倾注于深度学习。多层感知机（MLP，Multi-Layer Perceptron）卷积神经网络（CNN，Convolutional Neural Network）循环神经网络（RNN，Recurrent Neural Network）图神经网络（GNN，Graph Neural Network）自注意力机制（Self-Attention） Transformer。
Transformer是什么，如何搭建LLM大语言模型
weixin_43945135的博客
03-13 1374
Transformer是大型语言模型（LLM）得以实现的核心架构之一
收藏！AI核心概念体系全梳理：从基础到大模型的学习指南
EnjoyEDU的博客
01-08 1159
到此层次就比较清晰了，我们来做个总结：从深度学习发展的递进关系看：机器学习-》神经网络-》深度学习。目前大部分力量都倾注于深度学习。多层感知机（MLP，Multi-Layer Perceptron）卷积神经网络（CNN，Convolutional Neural Network）循环神经网络（RNN，Recurrent Neural Network）图神经网络（GNN，Graph Neural Network）自注意力机制（Self-Attention） Transformer。
5本必读LLM书籍推荐：从入门到精通的深度学习进阶指南！
WANGJUNAIJIAO的博客
03-09 375
本书旨在为对大语言模型感兴趣的读者系统地讲解相关基础知识、介绍前沿技术。作者团队将认真听取开源社区以及广大专家学者的建议，持续进行**月度更新**，致力打造**易读、严谨、有深度**的大模型教材。并且，本书还将针对每章内容配备相关的**Paper List**，以跟踪相关技术的**最新进展**。
LLM大模型-基础篇-深度学习基础
qq_29877851的博客
09-16 193
MNIST 数据集包含 70,000 张 28×28 像素的手写数字图片（0-9），目标是训练一个模型识别数字。张量是 PyTorch 的核心数据结构，类似 NumPy 的多维数组，但可以在 GPU 上运行。PyTorch 会自动记录运算过程，并计算梯度。如果不确定 CUDA 版本，可以运行。
【深度学习基础与概念】笔记（一）深度学习革命
m0_53743757的博客
06-20 271
datawhale组队学习，共读ai新圣经。
推荐5本学习LLM书籍
m0_59163425的博客
03-04 1182
李沐团队以深入浅出的笔触，将复杂模型拆解为可操作的步骤，配合丰富的在线资源，让深度学习不再遥不可及。张奇教授团队用清晰的逻辑与鲜活的案例，架起了学术理论与工业落地的桥梁——无论你是想揭开ChatGPT的神秘面纱，还是渴望打造垂直领域的智能引擎，这本书都是你不可或缺的‘技术罗盘’。该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
推荐5本学习LLM书籍，一口气看完了！
m0_65555479的博客
03-02 1406
本书旨在为对大语言模型感兴趣的读者系统地讲解相关基础知识、介绍前沿技术。作者团队将认真听取开源社区以及广大专家学者的建议，持续进行，致力打造的大模型教材。并且，本书还将针对每章内容配备相关的，以跟踪相关技术的。
LLM解读
Genio_Wang的博客
03-21 1089
大语言模型是自然语言处理领域的一项重要技术，具有广泛的应用前景。随着计算能力的提升和数据的不断增长，我们可以期待未来会有更强大、更智能的大语言模型出现，为人类的语言交流和理解提供更大的便利和支持。同时，我们也需要关注并解决模型训练和使用过程中可能出现的各种问题和挑战，确保技术能够健康发展并造福社会。
【深度学习-Day 30】从MLP的瓶颈到CNN的诞生：卷积神经网络的核心思想解析
吴师兄大模型的博客
06-19 1541
CNN是深度学习在计算机视觉领域取得巨大成功的基石，它彻底改变了我们处理图像数据的方式。本文作为CNN系列的开篇，将聚焦于一个根本性问题：我们为什么需要卷积？通过剖析传统MLP在处理图像时的天然缺陷，我们将引出CNN两大革命性思想——局部连接与权值共享，带你从根源上理解CNN设计的精妙之处。
Deep Learning:Foundations and Concepts - 第1章 深度学习的变革 (学习笔记)
m0_52424458的博客
06-17 1586
本文是Christopher M. Bishop与Hugh Bishop新书《Deep Learning: Foundations and Concepts》的读书笔记，主要探讨深度学习的基础理论与核心概念。书中首先介绍了深度学习在医学诊断、蛋白质结构预测、图像生成和大语言模型等领域的重大影响。通过正弦函数拟合示例，引出机器学习的关键概念如模型复杂度、正则化和模型选择问题。作者梳理了深度学习的发展历程，从早期感知机到现代深度神经网络。 笔记特别指出本书与作者前作PRML的不同之处，即弱化了贝叶斯方法而专注核
收藏！AI核心概念体系梳理（从基础到架构，夯实大模型学习根基）
CSDN_430422的博客
01-20 1332
到此层次就比较清晰了，我们来做个总结：从深度学习发展的递进关系看：机器学习-》神经网络-》深度学习。目前大部分力量都倾注于深度学习。多层感知机（MLP，Multi-Layer Perceptron）卷积神经网络（CNN，Convolutional Neural Network）循环神经网络（RNN，Recurrent Neural Network）图神经网络（GNN，Graph Neural Network）自注意力机制（Self-Attention） Transformer。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值