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

贡献者: kai

上一页AI Agent

下一页神经网络基础