|
1.1 神经网络：一个可学习的函数
|
jshn9515
|
2026-04-23
|
|
1.2 损失函数：模型如何知道自己错了多少
|
jshn9515
|
2026-08-12
|
|
1.3 前向传播、反向传播与计算图
|
jshn9515
|
2026-03-19
|
|
1.4 梯度下降：从梯度到参数更新
|
jshn9515
|
2026-08-20
|
|
1.5 为什么神经网络能够被训练：高维空间中的优化直觉
|
jshn9515
|
2026-08-19
|
|
2.1 PyTorch 中的自动微分：从前向计算到反向传播
|
jshn9515
|
2026-03-19
|
|
2.2 PyTorch 中的梯度模式：控制计算图的记录
|
jshn9515
|
2026-03-19
|
|
2.3 PyTorch 中的数据加载：Dataset、DataLoader 与批处理
|
jshn9515
|
2026-05-23
|
|
2.4 PyTorch 中的 nn.Module：组织模型、参数与状态
|
jshn9515
|
2026-05-23
|
|
2.5 PyTorch 中的优化器：从手动更新到参数组与状态管理
|
jshn9515
|
2026-05-23
|
|
2.6 PyTorch 中的训练循环：把数据、模型和优化器连接起来
|
jshn9515
|
2026-05-23
|
|
2.7 PyTorch 中的 Checkpoint：中断训练后如何继续
|
jshn9515
|
2026-05-28
|
|
3.1 从线性分类器到 MLP：为什么需要隐藏层
|
jshn9515
|
2026-06-07
|
|
3.2 激活函数：给神经网络加入非线性
|
jshn9515
|
2026-06-07
|
|
3.3 Softmax 与 Cross Entropy：从 logits 到分类损失
|
jshn9515
|
2026-06-07
|
|
3.4 线性层的前向传播与反向传播
|
jshn9515
|
2026-06-07
|
|
3.5 用 NumPy 搭建完整 MLP
|
jshn9515
|
2026-06-07
|
|
3.6 用 NumPy 在 MNIST 上训练 MLP
|
jshn9515
|
2026-06-07
|
|
3.7 反向传播检查：用数值梯度验证手写 backward
|
jshn9515
|
2026-06-07
|
|
3.8 用 PyTorch nn.Module 重新实现 MLP
|
jshn9515
|
2026-06-07
|
|
4.1 从梯度下降到 SGD
|
jshn9515
|
2026-05-29
|
|
4.2 Momentum 与 Nesterov Momentum
|
jshn9515
|
2026-05-29
|
|
4.3 Adagrad：自适应学习率的起点
|
jshn9515
|
2026-05-29
|
|
4.4 RMSprop 与 Adadelta：修正学习率衰减
|
jshn9515
|
2026-05-29
|
|
4.5 Adam：Momentum 与 RMSprop 的结合
|
jshn9515
|
2026-05-29
|
|
4.6 AdamW：解耦权重衰减
|
jshn9515
|
2026-05-29
|
|
4.7 Muon：矩阵参数的正交化更新
|
jshn9515
|
2026-06-05
|
|
4.8 优化器地图：不同优化算法该在什么时候使用
|
jshn9515
|
2026-06-05
|
|
4.9 学习率调度器：让学习率随训练过程变化
|
jshn9515
|
2026-06-05
|