企业官网建设流程全解析

李宏毅深度学习教程：三步跑通，15 个实验练手

【免费下载链接】leedl-tutorial《李宏毅深度学习教程》（李宏毅老师推荐👍，苹果书🍎），PDF下载地址：https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial

看李宏毅《机器学习》公开课的视频，是不是常有这种感觉：视频讲得痛快，但公式推导一笔带过，看完之后想自己写代码又无从下手？leedl-tutorial（苹果书）就是补这个缺的：它把 2021 春公开课的精华整理成中文深度学习教程，对重要公式给出逐步推导，再配上 15 个可运行的 Jupyter 作业，覆盖回归、CNN、Transformer、GAN、强化学习。

这本深度学习教程补上了什么

教程把 2021 春课程浓缩成中文图文，补齐了关键公式的推导过程，并给 15 个主题配了可运行 notebook，让你从“看会了”走到“能写出来”。

图中可以看到高维图像被压缩再重建

深度学习教程里最该先吃透哪几个概念

别被章节数唬住，全书其实只绕着一个问题转：模型怎么调参数让损失变小。下面三个吃透，其余都是延伸。

卷积让模型学会看局部

可以把它想象成在纸上盖印章：印章（滤波器）挨个乘过每个小窗口，就盖出了一张特征图。

图中可以看到两个滤波器作用于同一输入

准确地说，卷积层把可学习的卷积核在输入上滑动做加权求和，同一个核共享给整张图，参数量远小于全连接层，天然捕捉边缘、纹理这类局部模式。

梯度下降决定模型怎么改参数

可以把它想象成摸着山坡下山：每一步都探一下脚底的坡度，再决定迈多大步。

图中可以看到损失曲面上的参数轨迹

θ ← θ − (η/σ)·g σ² = mean(g²)

准确地说，参数沿梯度反方向更新，RMSprop、Adam 这类方法会用梯度历史重新缩放学习率，避免陡处步子迈太大、平处又走得太慢。你在 HW1 里把学习率改一改，就能直观感受到这一点。

反向传播一次性算出所有梯度

可以把它想象成从出结果那一端往回倒着追责：最终错误是谁造成的，一层层算清楚。

∂L/∂W = ∂L/∂a · ∂a/∂z · ∂z/∂W

准确地说，反向传播用链式法则把输出损失逐层拆解到每个参数，得到各自梯度，为更新指明方向。教程里这段推导是一步步展开的，照着看一遍就不用死记了。

🔧 跑通第一个深度学习训练的最短路径

1. 克隆仓库并进入目录：

git clone https://gitcode.com/GitHub_Trending/le/leedl-tutorial

2. 打开作业清单 Homework/readme.md，每个作业都配了对应的 PDF 讲义，先从 HW1 回归开始。

3. 跑一遍 HW1_Regression.ipynb，把学习率从 0.1 改成 0.01，对比损失下降的速度变化。

图中可以看到训练与验证损失曲线

两条曲线一起往下走的那一刻，你才算真正体会到“模型在学”。

⚠️ 容易踩的坑与下一步方向

• 别跳过推导部分，PDF 里公式比视频完整
• notebook 依赖 GPU，没有就换 Colab 或调低学习率
• 基础打完可进阶 Homework/HW6_GAN/ 做生成对抗网络

别只读，先把 HW1 跑一遍，亲眼看损失曲线降下来。

• 教程说明与章节列表
• 15 个作业清单
• 勘误修订表

【免费下载链接】leedl-tutorial《李宏毅深度学习教程》（李宏毅老师推荐👍，苹果书🍎），PDF下载地址：https://github.com/datawhalechina/leedl-tutorial/releases项目地址: https://gitcode.com/GitHub_Trending/le/leedl-tutorial