引言：因为山在那里#

1924 年，登山家乔治·马洛里被问到：“为什么要登珠峰？” 他答：“因为山在那里。”

深度学习面前也有一座山。一座没有山顶的山——完美的泛化。无论投入多少算力、数据、层数，我们永远在接近，永远到不了。

那为什么还要攀登？因为每一个"爬不上去"的困境，都逼出了一个新的设计。攀登本身，就是理解的过程。

这一章不是百科全书

这一章讲的不是"CNN有哪些层"或"ResNet有几条连接"。

这一章讲的是：一群人如何从赤手空拳出发，一步步发现更好的工具、更聪明的路线、更可靠的生存法则——直到站在离山顶最近的地方，回望来路，然后把旗帜递给下一个人。

每一个架构都不是凭空设计的。每一个突破都是对前一代"为什么摔倒"的深刻回应。

已经熟悉 CNN？这里有快速路线

这一章非常长——占全书约 40%。如果你已经了解卷积、池化、LeNet 这些基础，不需要从头爬练习峰。

推荐路线：

快速扫一遍登山上篇的引言，重点看归纳偏置——它回答了"为什么 CNN 比全连接更适合图像"，是整个上篇的核心洞察
翻翻消融研究——拆开装备、验证每个组件的贡献，这套方法论在任何实验中都有用
主力时间花在登山下篇——AlexNet、Inception、ResNet、MobileNet、EfficientNet，每一个都是对前代"为什么摔倒"的回应
收尾读架构心法——把具体技术升维为设计原则

可以跳过：全连接：赤手空拳、卷积：发现装备、数据准备：打包行囊（除非你想复习 MNIST 数据管线的细节）。

两座山#

🏔️ 登山上篇	⛰️ 登山下篇
MNIST：练习峰	ImageNet：真正的未登峰
赤手空拳 → 发现装备 → 首登	AlexNet首登 → 多尺度 → 高原反应 → 聚焦 → 预算学
学会攀登	征服极限

上篇，从赤手空拳出发，一步步发现冰镐和绳索，学会打包行囊、遵守纪律，完成第一次登顶。每一章都是对前一章"为什么爬不上去"的回应。

这背后的核心原理是归纳偏置——把山的结构刻进装备里。全连接不看山体，20 万参数走不远；CNN 顺应山体，几百个参数就能爬更高。

两座山之间，消融研究拆开装备——不是破坏，是理解。把卷积层拆掉会跌多少？换掉激活函数呢？每个零件到底贡献了多少？

下篇，换一座真正的山。ImageNet 比 MNIST 大 1,000 倍。AlexNet 在 2012 年首登成功——错误率从 28% 砸到 15%。此后八年：多尺度工具、高原反应补给站、学会聚焦的注意力、预算有限时的精打细算。练习峰教会了你怎么爬，登山下篇教会你在真正的山上怎么活。

攀登之后：把经验炼成心法#

爬完两座山，你的装备包里塞满了具体技术——卷积、跳跃连接、通道注意力、深度可分离卷积。但下次面对一座全新的山，你该怎么选装备？

架构心法把经验升维为原则：感受野、深度连接、注意力、效率——四个维度，四个旋钮。不是"加哪个模块"，而是"面对新任务时怎么判断该加什么"。它以登山者笔记收尾——回望三十年的路，提炼出可以带走的智慧。

攀登路线#

        graph LR
    A[🏔️ 上篇：练习峰<br/>MNIST] --> B[🔧 消融研究<br/>拆装备]
    B --> C[⛰️ 下篇：未登峰<br/>ImageNet]
    C --> D[🔬 架构心法<br/>四维度]
    D --> E[🏁 登山者笔记]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF6F00,color:#fff
    style E fill:#1565C0,color:#fff

出发#

深度学习核心数学基础给了你理论——计算图、反向传播、梯度下降。登山上篇是这些理论的实战延伸：

计算图 → PyTorch 自动求导
激活函数 → ReLU 和 Softmax 的实际表现
反向传播算法 → loss.backward() 的魔法
梯度下降与优化算法 → optimizer.step() 的参数更新

系紧鞋带。

上篇：练习峰——走。

贡献者与修订历史

查看详细修订记录

2af6985 2026-06-14 - Heyan Zhu: feat(model-serving): add quantization and pruning chapter, restructure for general-first narrative
dc35df2 2026-06-14 - Heyan Zhu: refactor: unify into two-chapter mountain-climbing narrative