深度学习基础导读：从神经网络到Transformer的完整路径

本章阅读时间：约1小时（共6篇）

从理论到代码，理解深度学习的核心，弄清楚LLM背后的技术基础。

1.1 深度学习是什么

官方定义（来自 AWS）：

Deep learning is an artificial intelligence (AI) method that teaches computers to process data in a way inspired by the human brain.

深度学习是一种人工智能方法，以受人脑启发的方式教计算机处理数据。

AWS 进一步说明：

The technology enables models to recognize complex patterns in pictures, text, sounds, and other data to generate accurate insights and predictions, automating tasks typically requiring human intelligence.

该技术使模型能够识别图片、文本、声音和其他数据中的复杂模式，生成准确的洞察和预测，自动化通常需要人类智能的任务。

深度学习 vs 传统机器学习（AWS 原文）：

Deep learning excels at processing unstructured data, discovering hidden relationships, enabling unsupervised learning, and handling volatile datasets without requiring manually labeled training data variations.

深度学习擅长处理非结构化数据、发现隐藏关系、支持无监督学习，以及在不需要手动标注训练数据变体的情况下处理多变的数据集。

一句话理解：深度学习是机器学习的子集，使用多层神经网络处理数据——"深度"指的是神经网络的层数多。

1.1.1 深度学习的五大应用领域

1.1.2 深度学习与 LLM 的关系

LLM（大语言模型）是深度学习的具体应用：GPT、Claude、DeepSeek 等都是基于 Transformer 架构（一种深度神经网络）训练的。理解深度学习的基本原理，是理解 LLM 为什么会有幻觉、为什么 Temperature 影响输出的基础。

本章目标

学完本章，你能：

• 理解神经网络的工作原理（加权求和、激活函数、反向传播）
• 用PyTorch写一个神经网络并训练它
• 理解CNN如何处理图像（为什么需要卷积）
• 理解RNN/LSTM如何处理序列数据（以及为什么被Transformer取代）
• 理解Transformer架构（LLM的基础，包括注意力机制）
• 判断自己需要深入学习深度学习到什么程度

本章内容

环境准备

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
pip install matplotlib numpy

有GPU（Graphics Processing Unit，图形处理器，因其强大的并行计算能力而成为深度学习训练的主要硬件）的话：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

本章定位

本章是入门级实战。

目标不是让你成为深度学习专家，而是：

1. 能看懂深度学习代码
2. 理解LLM的技术根基
3. 为第16章模型微调打基础

学习路径提示：如果你走的是路径A（Agent应用开发），可以跳过本章，直接从第6章LLM基础开始。本章是**路径B（完整AI工程师）**的必读内容。如果时间有限，可以只读第05篇《Transformer架构详解》和第06篇《深度学习与LLM的关系》，对理解LLM工作原理最有帮助，约23分钟。

本章的学习重点

如果你要从本章选择最值得深读的内容：

最重要：第05篇 Transformer——这是所有LLM（GPT/Claude/Llama等）的基础架构，理解它能让你真正理解大模型在做什么。

次重要：第01篇 神经网络基础——理解神经元、激活函数、前向/反向传播，是理解所有深度学习的基础。

了解即可：第03篇CNN和第04篇RNN——它们是Transformer出现之前的主流方案，理解它们能帮你理解Transformer为什么要那样设计。