深度学习系统学习

你如果是第一次系统学深度学习，我建议先别从公式和 PyTorch API 开始，而是先把整个逻辑链搞明白。

你可以先把深度学习理解成一句话：

深度学习 = 让一个多层神经网络，通过大量数据自己调整参数，最终学会"输入 → 输出"的映射关系。

比如你做人形机器人视觉：

摄像头图片 → 神经网络 → "这是矿泉水瓶"

网络一开始什么都不会，它通过不断：

预测 → 看自己错多少 → 修改参数 → 再预测

慢慢学会识别。

---

1. 先理解最基本的神经元

假设我们要判断一个东西是不是瓶子。

给模型三个信息：

• (x_1)：高度

• (x_2)：宽度

• (x_3)：颜色特征

一个最简单的神经元其实就是：

z=w_1x_1+w_2x_2+w_3x_3+b

你暂时不用怕这个公式。

其中：

• x = 输入的信息

• w = 每条信息有多重要

• b = 偏置

• z = 综合打分

比如模型逐渐发现：

"高度"对判断瓶子特别重要。

那训练之后：

(w_1) 就可能比较大。

所以所谓的：

模型训练

很大程度上就是：

寻找一组比较好的 w 和 b。

---

2. 神经网络是什么？

一个神经元能力太弱怎么办？

那就：

搞很多个神经元。

于是：

输入
 ↓
● ● ● ●
 ↓
● ● ● ●
 ↓
● ● ●
 ↓
输出

这就是神经网络。

例如图片：

图片
 ↓
第一层
识别简单边缘
 ↓
第二层
识别形状/纹理
 ↓
更深层
识别复杂特征
 ↓
输出
"矿泉水瓶"

所以为什么叫：

Deep Learning（深度学习）

这里的 deep，核心就是：

神经网络有很多层。

不是"学习得特别深奥"的意思。

---

3. 最关键的问题：它怎么学？

这才是深度学习真正的灵魂。

假设真实答案：

🐱 猫

但是模型第一次预测：

20% 猫

80% 狗

明显预测错了。

我们就需要一个东西衡量：

你到底错了多少？

这就是：

Loss Function 损失函数

可以粗暴理解成：

Loss = 错误程度

预测越离谱：

Loss 越大。

预测越准确：

Loss 越小。

所以训练目标就是：

让 Loss 尽可能小。

---

4. 怎么让 Loss 变小？

这就到了深度学习里最重要的一套东西：

梯度下降 Gradient Descent

你可以想象自己蒙着眼站在山上：

          你
          ●
        /   \
      /       \
    /           \
  /               \
最低点______________

你的目标：

找到最低点。

因为：

山的高度 = Loss

所以每次看看：

"哪个方向下降最快？"

然后往那个方向走一点。

这就是：

梯度下降。

在数学上，就是不断修改：

(w) 和 (b)

让：

Loss ↓ ↓ ↓

---

5. 反向传播又是什么？

这时候你会碰到一个特别吓人的词：

Backpropagation

反向传播

其实先不用把它想复杂。

假设网络：

图片
 ↓
第一层
 ↓
第二层
 ↓
第三层
 ↓
预测：狗 ❌

发现预测错了以后：

预测错误
 ↑
第三层：我该改多少？
 ↑
第二层：我该改多少？
 ↑
第一层：我该改多少？

把"错误的责任"从后往前传：

反向传播。

它本质上利用的是微积分里的：

链式法则。

所以：

Forward Propagation

输入 → 网络 → 预测结果

然后：

Loss

算算错多少

然后：

Backpropagation

← 算每个参数应该怎么调整

最后：

Optimizer

真正更新参数

---

6. 所以一次完整训练到底发生了什么？

把整个过程串起来，你就得到深度学习最核心的循环：

① 输入数据
   ↓
② 前向传播 Forward
   ↓
③ 得到预测
   ↓
④ 计算 Loss
   ↓
⑤ 反向传播 Backward
   ↓
⑥ 得到梯度
   ↓
⑦ Optimizer 更新参数
   ↓
⑧ 再来一次

重复：

几千次、几万次、几十万次......

模型就逐渐：

从"瞎猜" → "越来越准"。

这就是所谓的：

Training 训练。

---

7. Epoch、Batch、Learning Rate 是什么？

你之后看教程一定疯狂遇到这三个词。

假设：

你有 10,000 张图片。

Epoch

全部 10,000 张图片都学一遍：

1 Epoch

学10遍：

10 Epochs

---

Batch

但10,000张图片一般不会一次全部扔进去。

例如：

每次拿32张。

那么：

Batch Size = 32

大概就是：

10000张图片
↓
32张 → 学一次
32张 → 学一次
32张 → 学一次
...
↓
全部看完
↓
1 Epoch

---

Learning Rate

刚才我们说梯度下降像下山。

每一步走多远：

Learning Rate（学习率）

比如：

LR = 0.001

学习率太大：

一脚跨过最低点 💨

太小：

一厘米一厘米挪 🐌

所以学习率是深度学习非常重要的超参数。

---

8. CNN、Transformer、YOLO 又是什么？

到这里你就能理解整个深度学习版图了。

神经网络是大概念。

不同任务发展出了不同网络：

                  深度学习
                     │
        ┌────────────┼────────────┐
        ↓            ↓            ↓
       CNN       Transformer     其他网络
        ↓            ↓
     图像视觉      文本/视觉
        ↓            ↓
 YOLO、ResNet      GPT、ViT

比如你接触过的：

YOLO

本质就是：

深度学习目标检测模型

输入：

摄像头图片

输出：

水瓶
置信度：0.93
位置：
x1,y1,x2,y2

所以你之前做机器人水瓶识别的时候，其实已经在使用深度学习模型了，只是可能还没有自己训练底层网络。

---

9. 机器学习和深度学习有什么区别？

一个非常粗略但适合入门的理解：

传统机器学习：

人工设计特征 → 算法 → 预测

例如：

图片
↓
人手工提取：
颜色
边缘
纹理
形状
↓
SVM
↓
猫/狗

深度学习：

图片
↓
神经网络
↓
自己学习特征
↓
猫/狗

所以深度学习非常重要的能力就是：

Representation Learning

特征表示学习

模型自己学：

"什么特征对完成这个任务有用？"

---

10. 如果你准备真正学深度学习，顺序很重要

我建议不要一上来学 Transformer。

比较舒服的路线是：

第一阶段：数学基础

向量、矩阵

导数、偏导数

链式法则

概率基础

↓

第二阶段：神经网络

神经元

激活函数

Loss

Gradient Descent

Backpropagation

Optimizer

↓

第三阶段：PyTorch

真正写：

model(x)
loss.backward()
optimizer.step()

而且你要知道这三句话背后分别发生了什么。

↓

第四阶段：CNN

卷积

Padding

Striding

Pooling

Feature Map

ResNet

↓

第五阶段：目标检测

Bounding Box

IoU

NMS

Precision / Recall

mAP

YOLO

↓

最后再往：

Transformer → ViT → 多模态 → VLM

走。

最后可以自然走到：

YOLO → 分割 → 深度相机 → 6D Pose → 抓取检测 → VLM/VLA