AI 课程 会员课程
神经网络核心内功：从感知机到训练稳定的深度模型
6 节课 · 2026年10月5日更新
第 1 节 · 共 6 节
神经元到底是什么：把“函数叠函数”讲成可理解的计算图
本节内容
课程介绍
把“网络为什么能学到东西”讲透，并把训练中最常见的坑（不收敛、过拟合、爆炸）变成你能控制的变量。
常见问题
- 这门神经网络课讲什么？
- 共 6 节：用计算图理解神经元、前向传播和反向传播；ReLU、GELU、Sigmoid 等激活函数各自的代价；链式法则和误差怎么传回去；过拟合与 Dropout、正则化、数据增强；BatchNorm、LayerNorm 与残差结构；初始化、学习率、优化器和调参顺序。
- 学完能做到什么？
- 能把网络当成“可微分程序”来看：读懂训练曲线，判断问题是欠拟合还是优化失败，定位梯度异常出在哪一层，把不收敛、过拟合、梯度爆炸这些常见问题变成能控制的变量。
- 为什么深层网络离不开归一化和残差连接？
- 网络越深越难训练：归一化让每层输入的分布保持稳定，残差连接让梯度有一条“高速公路”直接传回前面的层。课程第 5 节专门讲这两样结构为什么是现代网络的标配。
- 怎么学这门课？
- 这是会员课程，课时只对会员开放。会员计划还在准备，开放前会在网站公告。