深度学习
368 字约 1 分钟
2026-05-20
深度学习是连接传统机器学习和现代大模型的桥梁。神经网络的思想在几十年前就有了,但直到算力、数据和算法三个条件都成熟,才真正爆发。
2012年 AlexNet 赢得 ImageNet 比赛,是深度学习正式进入主流的起点。此后 CNN 统治了图像领域,RNN 处理了序列数据,直到2017年 Transformer 的出现,改变了一切。
本节内容结构
1. 神经网络基础 — 感知机、前向传播、反向传播、激活函数
入口:神经网络基础
2. CNN 卷积神经网络 — 图像识别的核心架构,卷积、池化、经典网络
入口:CNN 卷积神经网络
3. RNN 与序列模型 — 处理时序数据,LSTM、GRU,以及为什么 Transformer 取代了它
入口:RNN 与序列模型
4. 工程环境 — GPU、CUDA、PyTorch 版本和 Conda 环境
入口:深度学习工程环境
5. PyTorch — 张量、模型训练和迁移学习
入口:PyTorch
6. 计算机视觉 — OpenCV 和视觉任务基础
入口:计算机视觉
关键里程碑
| 年份 | 事件 |
|---|---|
| 1986 | 反向传播算法正式提出 |
| 2012 | AlexNet,深度学习的 ImageNet 时刻 |
| 2014 | GAN 生成对抗网络 |
| 2017 | Transformer 架构(Attention is All You Need) |
| 2018 | BERT、GPT-1,预训练语言模型时代开始 |
| 2022 | ChatGPT,大模型走入大众视野 |