目录
人工智能家族的“辈分关系”深度学习的核心术语实战中的流程学习建议一、人工智能家族的“辈分关系”
如果把人工智能比作一棵大树，不同技术的关系可以这样理解：
人工智能（AI）—— 树根 目标：让机器像人类一样思考（比如下棋、翻译、开车）。特点：涵盖所有“智能行为”，既包括早期用规则控制的系统（如象棋程序），也包括现代数据驱动的算法。 机器学习（ML）—— 主干 核心理念：不写死规则，而是让机器从数据中自己总结规律。举个栗子：传统方法：教机器“如果图片有羽毛和翅膀，就是鸟”。
机器学习：给机器1000张鸟的图片，让它自己发现羽毛、喙等特征。
深度学习（DL）—— 分支
秘密武器：人工神经网络（尤其是多层结构）。超能力：自动提取复杂特征（比如从像素直接识别“猫脸”）。经典场景：人脸识别、语音助手、电影推荐。大模型（Large Models）—— 枝繁叶茂的顶端
特点：参数规模爆炸（GPT-3的参数量相当于人脑神经元数量的1/5）。代表作：ChatGPT（写诗、编程）、Stable Diffusion（AI绘画）。代价：训练需要数千块GPU和数月时间。AGI（通用人工智能）—— 尚未长出的果实
理想状态：像人类一样全能（能学物理、写小说、做家务）。现实差距：当前AI都是“领域专家”（只会特定任务）。
（想象：AI是树根，ML是树干，DL是粗枝，大模型是细枝，AGI是未成熟的果实）
二、深度学习的核心术语
神经网络训练的“三大法宝”
Batch Size（批大小）—— 每次学多少
比喻：
小批量（32）→ 小锅炒菜：快速调整但味道不稳定
大批量（1024）→ 大锅炖肉：味道均匀但难精细调整
代码示例：
# 在PyTorch中设置批大小 dataloader = DataLoader(dataset, batch_size=64)
python
运行
12Learning Rate（学习率）—— 学习的步伐
常见问题：
步子太大（学习率高）→ 在山谷间反复横跳（损失震荡）
步子太小（学习率低）→ 半天走不出沙漠（收敛慢）
调参技巧：
初始尝试：0.001（常用默认值）
大模型微调：小到0.00001
Dropout Rate（丢弃率）—— 防死记硬背的秘诀
操作：随机让部分神经元“装睡”（比如每次屏蔽30%节点）。
效果：强迫网络多角度思考（类似考试前撕掉笔记的几页）。
注意：考试时（推理阶段）要恢复所有神经元！
⚙️ 其他关键组件
Epoch（轮次）—— 学习遍数
例子：把教材读3遍 → 3个epoch。
风险：读太多遍可能变成“书呆子”（过拟合）。
损失函数（Loss）—— 成绩单
常见类型：
考试估分：均方误差（MSE）→ 预测房价
多选题批改：交叉熵（Cross-Entropy）→ 图像分类
激活函数—— 神经元的开关
ReLU：像电灯开关（输入≤0时关闭，>0时线性输出）。
Sigmoid：把任何数压缩到0-1之间（适合概率输出）。
三、实战中的流程
️ 训练流程示例
准备数据：将10,000张猫狗图片分成64张一组（batch_size=64）。前向传播：图片输入网络，计算预测结果（比如70%概率是猫）。计算损失：对比预测结果和真实标签（交叉熵损失）。反向传播：用Adam优化器（学习率=0.001）调整参数。防止过拟合：每层网络随机屏蔽25%节点（dropout_rate=0.25）。重复训练：遍历所有数据3次（epochs=3）。模型选择指南
任务类型推荐模型特点图像识别CNN（如ResNet）擅长捕捉局部特征文本生成Transformer处理长距离依赖时间序列预测LSTM记忆历史信息四、学习建议
技术演进路线
AI（规则系统） ↓ ML（统计学习） ↓ DL（神经网络） ↓ 大模型（千亿参数） ↓ ？ → AGI（尚未实现）
plaintext
123456789学习路径推荐
基础入门： 先理解“损失函数+梯度下降”的核心逻辑用Keras/PyTorch玩转MNIST手写数字识别 进阶实战： 调整超参数（如batch size与学习率的组合）在Kaggle上参加图像分类比赛 深入原理： 阅读《深度学习》（花书）复现经典论文代码（如AlexNet）
融媒体矩阵
[×] 个人主页：https://lizyshare.github.io
[×] wx公众号：卖火柴的码农
下期预告：一文读懂大模型参数文件格式：种类与特点全解析
