深度学习小白入门自己动手搭建神经网络(AI第一册)

算法数学

课程简介

已有 1 人浏览发布 2026-09-14 更新 2026-09-29

这门课的名字里有个关键词：「自己动手」。它不打算让你从import torch开始，而是先把框架那层封装拿掉，用最基础的方式把前向传播、反向传播、参数更新这几件事写一遍。对已经会用框架跑通 demo、但说不清梯度到底怎么回传的人来说，这套资料的价值在于对照——你可以拿它跟手里的框架代码逐行比对，看清哪些是数学，哪些是工程封装。

技术栈与前置要求

资料以 Python 为主，依赖集中在数值计算与可视化上，不要求你先掌握某个深度学习框架。真正需要的前置只有三块：Python 基础语法（函数、类、列表与字典操作）、一点 NumPy 的数组运算直觉、以及微积分里链式法则的概念。如果你连偏导数都忘得差不多，也不用急着补完整本高数，课程会在推导反向传播时把用到的部分重新讲一遍，重点落在「为什么要这样乘」而不是形式化证明。

值得注意的是，这类从零实现的资料天然会暴露工程细节：矩阵维度怎么对齐、损失函数怎么写成可导形式、学习率取大了会发生什么。这些在框架里被一行loss.backward()掩盖掉的东西，恰恰是排查模型不收敛时最该具备的判断力。

内容结构：从单层到可训练的模型

整体推进是自底向上的。起点是一个线性层加激活函数的前向计算，先把「输入乘权重加偏置再激活」这一步用手写循环实现清楚；接着引入损失函数，把预测值和真实值的差距量化成一个标量；然后是最核心的反向传播，逐层求导并把梯度存下来；最后才是参数更新与多轮迭代。等这条链路走通，再扩展到多层网络、不同的激活函数和损失组合。

数据表示：特征矩阵、标签向量、batch 的组织方式
前向传播：权重初始化、层间连接、激活函数的作用
损失与梯度：均方误差与交叉熵的推导差异
反向传播：链式法则在计算图上的具体落地
训练循环：学习率、迭代轮次、过拟合的初步观察

这个顺序的好处是每一步都能单独验证。写完前向传播，你可以先固定权重看输出是否合理；写完反向传播，可以用数值梯度做校验。这种可验证性是自己动手实现最大的收益，也是看视频容易跳过、但实际最该动手的部分。

可复用模块与工程参考

资料里的代码适合拆成几个可复用的部分：一个负责参数存储与初始化的结构、一组激活函数及其导数、一个把前向与反向串起来的训练循环。把这几个部分抽出来，你会在后续做任何模型时都有一份「最小可用骨架」——不依赖框架、几十行就能跑，用来验证想法或者给框架代码做对照实验都很方便。

另外，自己实现一遍之后再看框架源码，很多设计会突然变得合理：为什么要有自动微分、为什么参数要单独管理、为什么优化器是独立模块。这些抽象不是凭空来的，而是从手写版本里那些重复劳动里提炼出来的。

怎么用这套资料

建议不要只看不写。第一遍照着实现单层网络，跑通训练循环；第二遍合上参考，自己从零写一遍，遇到卡壳再回看；第三遍尝试替换激活函数或损失函数，观察训练行为的变化。如果你习惯用视频学习，也可以先看讲解理清推导思路，再回到代码里逐行对照，重点是让每次运行的结果可解释，而不是把代码抄完就算完成。

这套资料定位是入门第一册，覆盖的是神经网络最核心的那条主线，不涉及卷积、循环网络等结构。把这条主线走扎实，后面的框架学习和模型扩展会顺很多。

深度学习是现代科技皇冠上的明珠，当你决定踏上这条道路时，往往会因为选择哪个框架而感到困惑。选择了一个热门的框架后，你又可能会因为难度而感到沮丧，就像武侠小说中的初学者，没有深厚的内功，就无法驾驭顶尖的兵器。其实，这些框架就像是内功秘籍，当你内功小成时，这些工具便能轻松驾驭。神经网络是深度学习的基础，而我们的课程《自己动手搭建神经网络》将帮助新手从零开始，亲手搭建神经网络，掌握深度学习的初级核心能力。

课程推荐

《深度学习小白入门自己动手搭建神经网络(AI第一册)》深度学习是现代科技皇冠上的明珠，当你决定踏上这条道路时，往往会因为选择哪个框架而感到困惑。选择了一个热门的框架后，你又可能会因为难度而感到沮丧，就像武侠小说中的初学者，没有深厚的内功，就无法驾驭顶尖的兵器。其实，这些框架就像是内功秘籍，当你内功小成时，这些工具便能轻松驾驭。神经网络是深度学习的基础，而我们的课程《自己动手搭建神经网络》将帮助新手从零开始，亲手搭建神经网络，掌握深度学习的初级核心能力。【技能收获】学完可掌握：Python 编程。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（35 节）

* 1-1 自己动手搭建神经网络课程宣传.mp4

* 1-2 课程介绍和开发环境.mp4

* 1-3 从人脑识别猫开始.mp4

* 1-4 神经元.mp4

* 1-5 神经网络的术语.mp4

* 1-6 与门电路的代码.mp4

* 1-7 权重参数和偏置项.mp4

* 1-8 数组输入与门.mp4

* 1-9 概念小结.mp4

* 2-1 与非门.mp4

* 2-2 或门.mp4

* 2-3 异或门分析.mp4

* 2-4 异或门代码.mp4

* 2-5 电路模拟神经网络.mp4

* 3-1 激活函数登场.mp4

* 3-2 制作函数图像.mp4

* 3-3 sigmoid.mp4

* 3-4 relu.mp4

* 4-1 一维数组.mp4

* 4-2 矩阵.mp4

* 4-3 广播和内积运算.mp4

* 5-1 神经网络的符号.mp4

* 5-2 神经网络输入层到第1层.mp4

* 5-3 第1层神经网络的激活.mp4

* 5-4 神经网络第2层.mp4

* 5-5 神经网络第3层.mp4

* 5-6 搭建神经网络代码小结.mp4

* 5-7 softmax详解.mp4

* 6-1 准备手写数字图像.mp4

* 6-2 把像素作为神经网络的输入信号.mp4

* 6-3 使用训练好的模型.mp4

* 6-4 调整代码.mp4

* 6-5 识别数字图片.mp4

* 7-1 制作界面.mp4

* 7-2 按钮事件.mp4