上篇：练习峰

深度学习核心数学基础 拆解了核心机制——计算图、反向传播、梯度下降。这一章讲具体怎么用这些理论开始登山。

本章概览

#	章节	叙事节点	核心问题
①	引言：从公式到代码	出发宣言	为什么要攀登？
②	全连接：赤手空拳	赤手空拳	为什么不看山体结构就走不远？
③	卷积：发现装备	发现装备	局部感受野 + 权值共享 = 600 倍效率差
④	数据准备：打包行囊	打包行囊	数据怎么从硬盘飞到 GPU？
⑤	训练基础：登山纪律	登山纪律	装备好也会摔——监控损失曲线，控制学习率
⑥	LeNet-5：练习峰首登	🟢 练习峰首登	LeNet：第一个成功的 CNN 架构
⑦	实验对比：登山日志	登山日志	赤手 vs 装备——数据验证
🏁	练习峰，登顶	登顶回顾	练习峰教会了我们什么？指向消融和登山下篇

学习路径

登山上篇是数学基础的实战延伸：

        graph LR
    A[赤手空拳<br/>全连接] --> B[发现装备<br/>CNN]
    B --> C[打包行囊<br/>数据流水线]
    C --> D[登山纪律<br/>训练法则]
    D --> E[🟢 首登<br/>LeNet]
    E --> F[登山日志<br/>实验验证]
    F --> G[🏁 登顶回顾]
    

核心认知：赤手空拳爬不远。把山的结构刻进装备里——这就是 归纳偏置。

前置知识

前置章节	本章如何延伸
深度学习核心数学基础	计算图 → PyTorch 自动求导；梯度下降 → optimizer.step()
激活函数	ReLU 为什么替代 Sigmoid？实践中见分晓

贡献者与修订历史

查看详细修订记录

• dc35df2 2026-06-14 - Heyan Zhu: refactor: unify into two-chapter mountain-climbing narrative