深度学习小白入门自己动手搭建神经网络(AI第一册)

算法数学

课程简介

已有 0 人浏览发布 2026-09-14 更新 2026-09-14

这套课的名字里有个关键词容易被划过去——「自己动手」。市面上讲深度学习的入门内容，九成是先教你装框架、调 API，跑通一个 MNIST 就宣布入门。这套课的路径不同，它把框架这层先剥掉，让你面对神经网络本身的数学结构。对喜欢把知识拆到底层的人，这个定位值得单独拎出来说。

课纲的取向：先补内功，再碰兵器

课程简介里那个武侠比喻其实点到了真问题：初学深度学习的挫败感，大多不是来自概念难，而是来自「看不懂框架在替你做什么」。你调一个优化器，损失降了，但为什么降、梯度往哪走、反向传播那一步到底在算什么，全是黑箱。这门课把顺序倒过来——先用最原始的方式把前向、损失、反向、更新这条链路走通一遍，等这套逻辑在手，后面无论接 PyTorch 还是别的工具，都只是换语法。

这决定了它的课纲不会堆框架特性，而是围绕「一个神经网络最小可运行单元」逐层展开：张量怎么表示、线性层怎么算、激活函数为什么必须非线性、损失函数选型、梯度推导、参数更新。判断含金量的标准也很直接——凡是把数学推导留了步骤、把代码从零写起的章节，精读价值高；凡是只贴结论和公式的，可以快过。

哪些章节值得放慢速度

反向传播的推导部分。这是整门课的分水岭，也是绝大多数入门材料含糊带过的地方。如果课里给了链式法则的逐项展开和对应代码，这一节值得反复看两遍以上。
损失函数与激活函数的搭配。很多新手卡在「为什么这里用交叉熵不用均方误差」，这类取舍讲清楚比多讲十个模型有用。
从单层到多层的过渡。看它怎么处理维度、怎么初始化权重、怎么避免一开始就梯度消失，这些工程直觉比最终跑出多少准确率重要。
动手环节的代码结构。重点不是复制能跑，而是看它怎么把一个网络拆成可复用的模块——这个组织方式会直接影响你后面学框架时的理解速度。

资料包建议拆开用，别按顺序一口气啃

带资料包的课最常见的问题是「收藏即学会」。这套内容更适合分三层使用：第一层是理论推导类的讲义或笔记，用来在卡住时回查，不必通读；第二层是可运行代码，建议自己先照着思路默写一遍再对照，写不出来的地方就是没真懂的地方；第三层是补充阅读，留到跑通全流程之后再翻，否则容易被超纲概念劝退。

还有一点：既然是「第一册」，说明后面还有延续。用它的时候不必追求把每个数学细节都吃透，先确保「输入→前向→损失→反向→更新」这条主干能自己复现一遍，剩下的边角留给后续册子补齐更划算。

适合谁，不适合谁

如果你已经能熟练用某个框架搭模型、只是想把底层补扎实，这套课的顺序会让你觉得踏实。如果你现在急需两周内做出一个能跑的项目，它偏慢，不适合救火。它的价值在于把地基夯一遍——这件事越早做，后面省的时间越多。

深度学习是现代科技皇冠上的明珠，当你决定踏上这条道路时，往往会因为选择哪个框架而感到困惑。选择了一个热门的框架后，你又可能会因为难度而感到沮丧，就像武侠小说中的初学者，没有深厚的内功，就无法驾驭顶尖的兵器。其实，这些框架就像是内功秘籍，当你内功小成时，这些工具便能轻松驾驭。神经网络是深度学习的基础，而我们的课程《自己动手搭建神经网络》将帮助新手从零开始，亲手搭建神经网络，掌握深度学习的初级核心能力。

课程推荐

《深度学习小白入门自己动手搭建神经网络(AI第一册)》深度学习是现代科技皇冠上的明珠，当你决定踏上这条道路时，往往会因为选择哪个框架而感到困惑。选择了一个热门的框架后，你又可能会因为难度而感到沮丧，就像武侠小说中的初学者，没有深厚的内功，就无法驾驭顶尖的兵器。其实，这些框架就像是内功秘籍，当你内功小成时，这些工具便能轻松驾驭。神经网络是深度学习的基础，而我们的课程《自己动手搭建神经网络》将帮助新手从零开始，亲手搭建神经网络，掌握深度学习的初级核心能力。【技能收获】学完可掌握：Python 编程。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。

视频目录（35 节）

* 1-1 自己动手搭建神经网络课程宣传.mp4

* 1-2 课程介绍和开发环境.mp4

* 1-3 从人脑识别猫开始.mp4

* 1-4 神经元.mp4

* 1-5 神经网络的术语.mp4

* 1-6 与门电路的代码.mp4

* 1-7 权重参数和偏置项.mp4

* 1-8 数组输入与门.mp4

* 1-9 概念小结.mp4

* 2-1 与非门.mp4

* 2-2 或门.mp4

* 2-3 异或门分析.mp4

* 2-4 异或门代码.mp4

* 2-5 电路模拟神经网络.mp4

* 3-1 激活函数登场.mp4

* 3-2 制作函数图像.mp4

* 3-3 sigmoid.mp4

* 3-4 relu.mp4

* 4-1 一维数组.mp4

* 4-2 矩阵.mp4

* 4-3 广播和内积运算.mp4

* 5-1 神经网络的符号.mp4

* 5-2 神经网络输入层到第1层.mp4

* 5-3 第1层神经网络的激活.mp4

* 5-4 神经网络第2层.mp4

* 5-5 神经网络第3层.mp4

* 5-6 搭建神经网络代码小结.mp4

* 5-7 softmax详解.mp4

* 6-1 准备手写数字图像.mp4

* 6-2 把像素作为神经网络的输入信号.mp4

* 6-3 使用训练好的模型.mp4

* 6-4 调整代码.mp4

* 6-5 识别数字图片.mp4

* 7-1 制作界面.mp4

* 7-2 按钮事件.mp4