深度学习引言
深度学习能做什么？它由哪些核心部分组成？先建立一个全局的认知地图
什么是深度学习
你可能已经在生活里用过这些「会看、会听、会聊」的 AI 工具：
- 📷 拍照翻译 ：把手机对准外文菜单，画面里的文字几秒后就变成中文
- 🎤 语音助手 ：对 Siri、小爱同学说一句话，它能听懂并回答
- 🎨 AI 绘画 ：描述「一只穿宇航服的猫坐在月球上」，它画给你看
- 🚗 自动驾驶 ：车辆自己识别红绿灯、行人、车道，辅助甚至替代司机
这些功能的背后，用的是同一套技术—— 深度学习 （Deep Learning）。
传统编程靠程序员把规则一条条写死（「如果……就……」）。但「 判断一张照片里是猫还是狗 」这种事，规则几乎写不完——猫的姿态、毛色、光线、角度变化无穷。 深度学习换了一种思路： 不写规则，只给例子 。喂给它几百万张已经标好「猫」「狗」的图片，它会 自己 琢磨出两者的差别；下次见到新照片，就能猜对。
之所以叫「 深 」度学习，是因为它的核心结构—— 神经网络 ——由很多层节点像三明治一样叠在一起：浅层只看到边缘和色块，往深处走逐渐拼出纹理、部件，最后才识别出「这是一只猫」。 这门课，就是带你从零理解并亲手搭建这样一个网络。
深度学习的应用
计算机视觉（CV）
判断整张图片属于哪个类别。自 2012 年 AlexNet 在 ImageNet 竞赛夺冠后成为主流。
在图中同时定位并识别多个物体，用方框标出位置（代表模型如 YOLO ）。
不同于目标检测只用方框框住物体，图像分割精确到 每个像素 ，勾出物体的真实轮廓（如 Meta 的 SAM ）。
综合识别前车、车道与信号灯并做出驾驶决策——减速、跟车、变道绕行或刹停等待。
自然语言处理（NLP）及其他
把文字从一种语言转成另一种，如 Google 翻译 。机器翻译的难点在于不能逐词替换——不同语言的语序、虚词都不相同。
把人说的话转写成文字。Siri、小爱同学等语音助手都靠它「听懂」你的指令。
生成式 AI
ChatGPT 这类 大语言模型 的核心，其实是不停地预测「下一个词」。
输入文字描述（提示词），模型就能生成对应图片，如 Midjourney 、 DALL·E 。提示词里「画什么 + 什么风格」共同决定结果。
根据文字生成视频，如 OpenAI 的 Sora 。视频本质是 一连串图片（帧） ，难点在于让相邻帧保持一致。
在编辑器里根据上下文自动补全或生成整段代码，如 GitHub Copilot 、 Cursor 。
▏
深度学习简史
下面这条时间轴梳理了深度学习发展史上的关键节点，将鼠标悬浮到节点上，可查看对应事件的详情。
深度学习的四大组件
还记得开头「教 AI 分辨猫和狗」的例子吗？ 让深度学习真正跑起来，背后其实就是四个角色在配合，无论任务是看图、聊天还是作画都一样：
- 📊 数据 ：好比一摞已经标好答案的例子，比如「这张是猫、那张是狗」。AI 就靠看这些例子来学规律。
- 🧠 模型 ：好比一台还不太会做事的「学生」，给它一张照片，它会猜「猫还是狗」；刚上手时基本是瞎猜。
- 📐 目标函数 ：好比一位「打分老师」，每次告诉学生这次猜得多差，比如「正确答案是猫，但你猜成狗了」。
- ⚙️ 优化算法 ：好比一套「改正办法」，根据老师的批评，让学生下次少错一点；如此反复，学生越练越准。
后续每节课会带你亲手做这四件事中的一件，最终把它们拼在一起，训练出真正能用的模型。
工具简介
深度学习的代码实现需要大量的数值计算——矩阵乘法、求和、取梯度等。 用 Python 原生语法一行行写这些计算，既慢又繁琐。 因此，社区开发了专门的工具库来解决这个问题。 在后续课程的实践环节中，我们将主要使用两个工具：
简单来说：NumPy 负责高效计算，PyTorch 在此基础上增加了训练神经网络所需的能力。 具体的语法和用法将在下一课中，随着实践任务的需要逐步学习——不用提前背 API。