唐宇迪 人工智能-深度学习入门视频课程（上篇）

唐宇迪这套深度学习入门课在中文技术圈流传很广，上篇主要解决的是「神经网络到底怎么算起来的」这个问题。资料包里同时给了视频和对应代码，这一点比纯视频课实用得多——你可以把视频当讲解，把代码当参照，两边对着看。

技术栈与运行环境

课程主体围绕 Python 展开，深度学习框架用的是 TensorFlow 1.x 时代的 API 风格（tf.placeholder、Session.run这类写法），配合 NumPy 做底层数值演示。这意味着你在跑代码时大概率会遇到版本兼容问题：新版 TensorFlow 2.x 默认开了 eager execution，很多老写法需要加tf.compat.v1前缀，或者干脆装一个 1.15 的虚拟环境。建议直接用 conda 建一个独立环境锁版本，不要和自己主力的开发环境混在一起。数据侧会用到 MNIST、CIFAR 这类经典数据集，部分章节可能涉及 HuggingFace datasets 之外的本地读取逻辑，注意路径配置。

课程的知识结构

上篇的编排逻辑是「先讲清楚一个神经元，再讲清楚一层，最后讲清楚一张计算图」。大致会覆盖这几块：

• 神经网络的前向传播与反向传播推导，包括链式法则在手写梯度时的具体展开；
• 损失函数与优化器的选择，梯度下降、动量、Adam 之间的差异和适用场景；
• 全连接网络的搭建流程，从数据预处理、权重初始化到训练循环的完整链路；
• 过拟合与正则化手段，Dropout、L2、早停这些在实际训练中怎么调；
• 卷积神经网络的动机与基本算子，卷积核、池化、感受野的直观理解。

这个顺序的价值在于，它没有一上来就让你调model.fit()，而是先把梯度怎么来的、参数怎么更新的讲透。对后面理解 Transformer、注意力机制这些内容，底层直觉是有复用的。

代码资料怎么用

配套代码最大的作用是「对照验证」。看视频时容易产生「我懂了」的错觉，但真正动手时会在维度不匹配、shape 变换、batch 组织这些地方卡住。建议的做法是：先关掉代码自己写一遍，跑不通再回去对照，重点看别人是怎么组织数据管道和训练循环的。代码里的工具函数——比如数据加载、可视化、指标统计——可以直接抽出来放进自己的项目模板，这类脚手架代码写一次能用很久。

另外要注意，课程代码偏向教学演示，工程化程度有限：没有配置文件管理、没有日志系统、没有 checkpoint 恢复机制。如果你要拿它做真实项目，这些部分需要自己补。

适合谁，以及怎么自学

这门课适合已经会写 Python、但没系统接触过神经网络的人。如果你完全没写过代码，先补 NumPy 和 matplotlib 的基础会更顺。数学方面不要求你先学完高等数学，但至少要知道偏导数和矩阵乘法的含义，否则反向传播那几节会看得很吃力。

自学节奏上，不建议一次性刷完。每看完一个模块，就找一个稍有不同的数据集自己复现一遍——比如把 MNIST 换成 Fashion-MNIST，或者把分类改成回归任务。这种「小改动复现」比重复看视频有效得多。上篇打的是基础，学完之后你至少应该能独立写出一个带正则化的多层网络训练脚本，并说清楚每一行在做什么。