这门课的名字里有「原理」也有「算法」，听起来像要把神经网络的底翻个遍。实际上它更像一份慢速地图：告诉你反向传播那几行公式是从哪来的，为什么要那样求导，而不是直接扔给你一个框架让你调包。如果你之前看过一些教程，一到链式法则和梯度推导就卡住，这门课可以当成补课来用。
先弄清它不教什么
它不教你调参冲到某个榜单前排，也不教你追最新的大模型结构。课程围绕的是最基础的那套东西：一个神经元怎么算、多层怎么连、损失怎么定、梯度怎么从前传到后传。把这些弄清楚之后，你再看任何框架的文档，都能对得上号。反过来说，如果你现在的目标只是尽快跑通一个能用的模型，这门课会显得绕，可以往后放。
建议的观看顺序
先看前半部分关于单个神经元和激活函数的内容，这一段值得慢，哪怕一个下午只看两三节也没关系，最好拿纸把前向计算手推一遍。到了反向传播那几讲，是整个课程最容易劝退的地方，我的建议是不要一次看完，拆成两三次，每次只攻一个环节：先接受「链式法则在算什么」，再去看具体怎么落到每个权重上。多层网络和常见损失函数可以放在反向传播之后，因为那时你已经知道梯度是从哪流回来的，理解起来会顺很多。
可以跳过的部分
- 如果某几讲在反复讲同一类推导，只是换了个符号，确认自己能独立写出前一遍之后就可以快进。
- 涉及具体工程配置、环境搭建的段落，第一遍可以略过，等你要动手复现时再回来查。
- 综合实战章节不建议在第一遍就看，基础没稳的时候看它，只会变成抄代码。
资料怎么配合练习
课程配套有章节笔记，作用是课后复盘，不是拿来替代推导的。比较合适的用法是：看完一讲，合上视频，自己把这一讲的核心公式默写一遍，写不出来再翻笔记。练习不需要大项目，用最朴素的数值计算把一个小网络的前向和反向各实现一次，比跑通十个demo都有用。等这部分稳了，再去看综合实战，那时候你会发现它只是在把你已经会的东西拼起来。
多久算正常
这门课不适合赶进度。如果一周只能挤出三四个小时，把前向和反向这两块啃透，花上一个月是正常的，学不会也别急着否定自己——反向传播本来就是很多人第一次卡住的地方，卡住不代表你不适合，只代表这一块需要再看一遍。真正学明白的标志不是看完了，而是你能对着一个空白页面，自己写出一个两层网络的学习过程。
image.webp 下载附件 保存到相册 2025-6-9 01:13 上传
课程推荐
《深度学习之神经网络核心原理与算法》image.webp 下载附件 保存到相册 2025-6-9 01:13 上传【技能收获】学完可掌握：核心实战技能、项目驱动学习。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。
视频目录（58 节）
* 1-1 课程—导学 (0742).mp4
* 1-2 课前准备 (2148).mp4
* 1-3 深度学习简介—-神经元 (1131).mp4
* 1-4 深度学习简介—-激励函数 (0733).mp4
* 1-5 深度学习简介—神经网络和深度神经网络 (0421).mp4
* 1-6 深度学习为什么这么强 (0339).mp4
* 1-7 深度学习的应用 (0227).mp4
* 2-1 网络结构 (0326).mp4
* 2-2 网络结构_代码部分 (1338).mp4
* 2-3 线性回归的训练--样本，开始训练 (0905).mp4
* 2-4 线性回归的训练--梯度下降法，一元凸函数 (0847).mp4
* 2-5 线性回归的训练--二元凸函数 (0654).mp4
* 2-6 神经网络的训练--前向传播 (0441).mp4
* 2-7 神经网络的训练--前向传播代码部分 (0727).mp4
* 2-8 神经网络的训练--反向传更新 (0535).mp4
* 2-9 神经网络的训练--反向传更新_代码部分 (1919).mp4
* 2-10 神经网络的训练--随机梯度下降 (0210).mp4
* 2-11 神经网络的训练--随机梯度下降代码部分 (0451).mp4
* 2-12 应用案例—-前馈神经网络代码的手写数字识别 (1346).mp4
* 3-1 并行计算 (0729).mp4
* 3-2 梯度消失问题 (0852).mp4
* 3-3 归一化 (0507).mp4
* 3-4 参数初始化问题 (0355).mp4
* 3-5 参数的初始化问题-代码实现 (0323).mp4
* 3-6 正则化 (1055).mp4
* 3-7 正则化-代码实现 (0153).mp4
* 3-8 学习率和dropout (0304).mp4
* 3-9 交叉熵 (0812).mp4
* 3-10 交叉熵-代码实现 (0636).mp4
* 3-11 模型的保存和加载及代码实现 (1127).mp4
* 3-12 应用案例—-提高版本的前馈神经网络代码的手写数字识别 (1516).mp4
* 4-1 与全连接网络的对比 (0514).mp4
* 4-2 全连接层GPU实现 代码实现 (2508).mp4
* 4-3 卷积核 (0608).mp4
* 4-4 卷积层其他参数 (0446).mp4
* 4-5 池化层 (0416).mp4
* 4-6 卷积池化层 代码实现 (0616).mp4
* 4-7 典型CNN网络 (0639).mp4
* 4-8 图片识别 (0434).mp4
* 4-9 softmax (0412).mp4
* 4-10 softmax层 代码实现 (0338).mp4
* 4-11 应用案例—-卷积神经网络代码的手写数字识别 (1805).mp4
* 5-1 tensorflow简介 (1514).mp4
* 5-2 如何选择好的框架：tensorflow的优势 (0630).mp4
* 5-3 多环境与集群支持 (0533).mp4
* 5-4 应用案例—-tensorflow版本的线性回归的实现 (1204).mp4
* 5-5 tensorboard (0539).mp4
* 5-6 tensorboard 使用演示 (0558).mp4
* 5-7 训练模型的加载与保存 (0646).mp4
* 5-8 应用案例—-tensorflow版本的手写数字识别 (1629).mp4
* 6-1 .简介 (0357).mp4
* 6-2 .tensorflow单GPU版本上 (1219).mp4
* 6-3 .tensorflow单GPU版本下 (1113).mp4
* 6-4 tensorflow多GPU版本 (0756).mp4
* 7-1 caffe应用对比（上） (1527).mp4
* 7-2 caffe应用对比（下） (1301).mp4
* 7-3 keras应用对比 (1644).mp4
* 8-1 课程总结_ (0354).mp4
