如果2026年还要从零入门深度学习最值得先想清楚的问题不是“要不要学”而是“跟哪条路线学”。这次我们看的这门《深度学习课程入门》主线非常明确神经网络基础 → CNN → RNN → Transformer每一块都配 Python 实战定位是“哪怕只有一台普通笔记本也能从第一行代码开始跑完整个入门流程”。这门课的优点不在概念堆砌而在体系编排。它没有一上来就丢给你一堆数学公式而是先建立“神经网络是怎么工作的”这个核心直觉再逐步引入卷积、循环、注意力机制。整个学习路径覆盖了图像分类、序列建模、文本理解三大主流任务学完以后再看 GPT、BERT、扩散模型这类前沿方向时至少能看懂它们在解决什么问题、改动了哪一层结构。这篇文章会用课程设计的视角把这门课拆解开来讲课程能力速览、章节体系、动手环境搭建、典型项目验证、显存和性能观察、常见坑与排查办法、以及一套适合初学者的最佳实践流程。你可以把它当作“选课评测 学习路线图 环境配置手册”三合一来看。1. 核心能力速览能力项说明课程定位深度学习零基础入门覆盖神经网络、CNN、RNN、Transformer 四大模块编程语言Python主要框架PyTorch 为主部分章节涉及 Hugging Face Transformers配套任务手写数字识别、图像分类、序列建模、文本分类、简单生成式模型理论深度公式适量侧重直觉理解与工程实现实战占比每章至少一个可运行项目关键算法配套代码讲解适合人群Python 基础较弱但想入门深度学习的同学刚接触 AI 的开发者需要快速建立知识地图的转行者运行环境CPU 可完成入门实验有 NVIDIA GPU 时可体验完整训练加速动手预估需要自己安装 Python、PyTorch并准备好 Jupyter Notebook 或 VS Code版权边界课程代码和数据集仅限学习研究商用前需自行确认授权从能力表能看出来这门课的核心是“用最少的理论成本把深度学习主流程跑通”。它不像数学专著那样推导每一个偏导也不像工程教程那样只给代码不给原理而是每章都按“问题引入 → 网络结构 → 代码实现 → 结果分析”四步走。2. 课程结构拆解四阶段主线2.1 神经网络基础先解决“网络到底在学什么”这一阶段会从感知机讲起解释权重、偏置、激活函数、损失函数、梯度下降和反向传播。课程会用“预测房价”或“手写数字识别”这类小的回归/分类问题让你直观看到网络从随机初始化到逐步收敛的过程。学习重点可以放在三件事前向传播是怎么把输入变成输出的损失函数如何量化“预测错了多少”反向传播如何把误差传回去更新权重。对于初学者来说不需要死磕矩阵求导但要能读懂一张网络结构图并且能说出每一层输入输出的形状变化。这是后续理解 CNN、RNN、Transformer 的基础。2.2 CNN 模块从卷积核到图像分类CNN 是这门课的第二大板块也是计算机视觉的基石。课程会从“为什么全连接网络不适合直接处理图片”这个问题切入引出卷积操作、通道数、池化、感受野这些关键概念。实践部分通常会从 MNIST 或 CIFAR-10 入手再延伸到猫狗分类这类更接近真实场景的数据集。你需要掌握的内容包括Conv2d 的输入输出维度计算卷积核大小、padding、stride 对特征图尺寸的影响MaxPooling 的作用一个简单 CNN 的完整训练流程如何用 TensorBoard 或 matplotlib 画 loss 曲线判断收敛情况。这部分学完你应该能独立实现一个两到三层的卷积网络并完成一个图片二分类任务。2.3 RNN 模块处理序列数据的思路进入 RNN 之后课程开始转向时间序列、文本、语音这一类“有先后顺序”的数据。RNN 的核心是隐藏状态它把上一个时间步的信息带到下一个时间步从而让网络具备“记忆”。课程会对比 RNN 与普通前馈网络的区别讲清楚梯度消失和梯度爆炸为什么在 RNN 中特别明显然后引出 LSTM 和 GRU 这两个改进结构。入门阶段建议重点跑两个实验基于 RNN 或 LSTM 的文本分类比如影评情感判断基于 LSTM 的简单时间序列预测。这一阶段不需要追求模型精度而是要理解(batch, seq_len, input_size)这种张量形状在循环网络中是怎样流动的。2.4 Transformer 与注意力机制现代大模型的基础Transformer 放在 CNN 和 RNN 之后讲是一个很合理的安排。它先告诉你 RNN 的瓶颈在于无法并行、长距离依赖容易丢失然后引出 Self-Attention 机制每个 token 直接和所有 token 计算相关性从而一步到位捕捉全局依赖。这一部分需要掌握的关键点Q、K、V 三个矩阵是怎么来的注意力分数 softmax 之后如何加权求和Multi-Head Attention 多头注意力的作用位置编码为什么要存在Transformer 的 Encoder 和 Decoder 分别用在什么任务里。实践部分一般会用 Hugging Face Transformers 库跑一个文本分类任务比如用bert-base-chinese做中文情感分类。到这一步你已经具备看懂 GPT、BERT 结构图的基本能力了。3. 学习路线与前置条件3.1 需要提前掌握什么严格来说这门课不需要你已经是一个 Python 高手但下面几项最好提前准备好Python 基础语法变量、循环、函数、类、列表推导式NumPy 基础操作数组创建、reshape、切片、矩阵乘法常用数据处理方式CSV 读取、Pandas 基础操作对命令行不陌生能使用终端安装包、运行脚本。如果上面某项不熟建议在正式学深度学习前先花一周补一下。课程里很多代码的坑不是模型造成的而是 Python 语法和数据处理习惯导致的。3.2 硬件环境要求深度学习入门的硬件门槛其实比很多人想象中低不少CPU 环境可以完成 MNIST、简单 CNN、小型 RNN/Transformer 实验只是训练速度慢一些GPU 环境建议 NVIDIA 显卡显存 4G 以上即可入门6G 以上体验明显更好内存建议 16G磁盘空间建议预留 40G 以上PyTorch、CUDA、数据集、模型权重都会占用空间。如果暂时没有 NVIDIA 显卡也可以用云 GPU 或者 Google Colab 做训练。入门阶段最重要的不是把单次训练跑到最快而是把代码和原理跑通。3.3 需要准备的工具清单工具用途备注Anaconda 或 Miniconda创建独立的 Python 虚拟环境避免污染系统 PythonPython 3.10 或 3.11运行 PyTorchPyTorch深度学习训练框架Jupyter Notebook交互式学习、分段跑代码新手友好VS Code写脚本和调试可替代Git拉取课程代码可选4. 环境准备与安装部署4.1 用 conda 创建虚拟环境即使你之前习惯直接用系统 Python也建议在这里创建一个独立环境。深度学习包的依赖关系比较复杂隔离环境能省掉大量环境冲突的问题。打开终端或 Anaconda Prompt执行conda create -n dl_course python3.10 -y conda activate dl_course创建完成后会进入名为dl_course的环境后续所有包都装在这个环境里。4.2 安装 PyTorch安装 PyTorch 前先确认自己有没有 NVIDIA 显卡如果有用nvidia-smi看一下驱动和 CUDA 版本nvidia-smi如果输出类似下面的内容NVIDIA-SMI 560.xx Driver Version: 560.xx CUDA Version: 12.5说明你的驱动已经支持 CUDA可以安装对应版本的 PyTorch。如果你不确认具体命令去 PyTorch 官网选择对应操作系统和 CUDA 版本复制安装命令即可。CPU 或者暂时不想装 CUDA 的同学可以直接执行pip install torch torchvision torchaudio这样默认安装的是 CPU 版也能跑完课程里的大部分入门实验只是训练速度会慢。装完之后验证python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果torch.cuda.is_available()返回True说明 GPU 可用返回False也不影响入门阶段的学习。4.3 安装常用依赖库除了 PyTorch课程里常会用到的库还有pip install numpy pandas matplotlib scikit-learn jupyter transformers datasets装完后在终端启动 Jupyterjupyter notebook浏览器会自动打开 Notebook 页面到这里一套最基础的深度学习实验环境就准备好了。5. 第一个网络实战用 PyTorch 训练 MNISTMNIST 是深度学习的“Hello World”它是一套 28×28 的手写数字灰度图一共 10 个类别。你的第一个目标不是拿高分而是跑通“定义模型 → 训练 → 评估”的完整流程。以下给出一段可直接运行的代码骨架你可以边学课程原理边对照import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 1. 数据预处理与加载 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) test_dataset datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size256, shuffleFalse) # 2. 定义一个简单的全连接网络 class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 nn.Linear(28 * 28, 128) self.fc2 nn.Linear(128, 64) self.fc3 nn.Linear(64, 10) self.relu nn.ReLU() def forward(self, x): x x.view(x.size(0), -1) x self.relu(self.fc1(x)) x self.relu(self.fc2(x)) x self.fc3(x) return x model SimpleNet() criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 3. 训练一个 epoch def train_one_epoch(loader): model.train() total_loss 0 for images, labels in loader: optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() total_loss loss.item() print(fTrain Loss: {total_loss / len(loader):.4f}) # 4. 验证精度 def evaluate(loader): model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in loader: outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(fTest Accuracy: {100 * correct / total:.2f}%) train_one_epoch(train_loader) evaluate(test_loader)第一次跑这段代码时你要重点观察几件事数据下载是否成功、路径是否正确第一个 epoch 的 loss 是变大还是变小测试准确率是否明显高于随机猜测的 10%。如果都能满足说明你的环境、数据加载、训练流程都是通顺的。接下来回到课程里把每一行代码和课程中的网络结构图对应起来效果会好很多。6. CNN 实战从 MNIST 到猫狗图像分类6.1 CNN 和全连接网络的差异传统全连接网络处理图片时会把像素拉平成一维向量损失空间结构信息。CNN 通过卷积核在图像上滑动每次只关注一个小区域然后通过多层的堆叠获得越来越大的感受野。这样既保证参数共享又保留了局部特征。在 MNIST 上你可以做一个对比实验用第 5 节的全连接网络和下面这个简单的 CNN 分别训练观察在同样 epoch 下谁收敛更快、准确率更高。class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 nn.Conv2d(in_channels1, out_channels16, kernel_size3, padding1) self.conv2 nn.Conv2d(in_channels16, out_channels32, kernel_size3, padding1) self.pool nn.MaxPool2d(2, 2) self.fc1 nn.Linear(32 * 7 * 7, 128) self.fc2 nn.Linear(128, 10) self.relu nn.ReLU() def forward(self, x): x self.pool(self.relu(self.conv1(x))) x self.pool(self.relu(self.conv2(x))) x x.view(x.size(0), -1) x self.relu(self.fc1(x)) x self.fc2(x) return x跑这个模型时建议在每次卷积和池化之后打印x.shape直观感受特征图尺寸的变化。例如输入是[1, 28, 28]经过一次卷积加池化后变成[16, 14, 14]再经过一次变成[32, 7, 7]。这种形状推导能力是后面阅读任何论文代码的基础。6.2 猫狗数据集训练流程如果时间允许可以跳过 MNIST直接拿猫狗分类数据集来做 CNN 实战。这个任务更接近真实场景因为图片尺寸不一致、背景复杂、正负样本也存在较大差异。处理这类数据时要学会把图片统一 resize 到固定尺寸比如 128×128 或 224×224划分训练集和验证集使用torchvision.datasets.ImageFolder直接按目录结构加载数据数据增强比如随机翻转、旋转、颜色抖动控制过拟合。训练时建议从batch_size16或32开始先用少量 epoch 跑通流程再逐步增加训练轮数。不要一上来就用大模型否则很容易在环境配置和显存报错上浪费大量时间。7. RNN 实战文本分类与序列预测进入 RNN 部分课程的重心会从视觉转向语言和时间序列。和 CNN 处理二维图像不同RNN 处理的是(batch, seq_len, feature_dim)这种三维张量。一个典型任务是用 LSTM 做中文影评情感分类大致流程如下import torch import torch.nn as nn class LSTMSentiment(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_dim, num_layers, num_classes): super(LSTMSentiment, self).__init__() self.embedding nn.Embedding(vocab_size, embedding_dim) self.lstm nn.LSTM(embedding_dim, hidden_dim, num_layers, batch_firstTrue) self.fc nn.Linear(hidden_dim, num_classes) def forward(self, x): # x shape: (batch, seq_len) x self.embedding(x) # (batch, seq_len, embedding_dim) out, (h_n, c_n) self.lstm(x) # out: (batch, seq_len, hidden_dim) out out[:, -1, :] # 取最后一个时间步 out self.fc(out) return out这段代码的逻辑是把文本 token 序列映射成 embedding 向量输入 LSTM 层逐时间步更新隐藏状态取最后一个时间步的隐藏状态作为整句话的表示接一个全连接层完成分类。写代码时最容易出错的是 LSTM 的输入形状。batch_firstTrue表示输入是(batch, seq_len, embedding_dim)如果忘记设这个参数默认输入形状是(seq_len, batch, embedding_dim)数据维度对不上就会报错。RNN 部分学完后可以再做一个小实验来加深理解用前 30 天的数据预测第 31 天的数值比如天气温度或股票价格。这个任务不要求预测多准重点是理解滑窗构造样本、序列归一化、训练集和测试集按时间切分这三个操作。8. Transformer 实战用预训练模型做文本分类Transformer 是这个课程的压轴模块。你可以不自己从零写 Attention 的全部代码但一定要跑一遍 Hugging Face Transformers 库的预训练模型直观感受“加载一个模型 → 做推理 → 微调”的工作流。下面这段代码用bert-base-chinese做中文情感分类from transformers import pipeline classifier pipeline( text-classification, modelbert-base-chinese, top_kNone ) result classifier(这个电影真的很好看剧情紧凑演员演技在线。) print(result)第一次跑的时候会先下载模型权重。bert-base-chinese的大小在 400M 左右下载速度取决于网络情况。下载完成后模型会缓存到本地目录后续再跑会直接加载缓存。如果不想用在线模型也可以用更小的中文预训练模型比如hfl/rbt3或uer/roberta-base-finetuned-jd-binary-chinese速度更快占用的磁盘空间也更小。跑通推理之后再回头对照课程里的结构图去看 Attention Mask 是怎么工作的为什么 pad 位置要被掩码掉为什么句首要加[CLS]为什么不同的 token 可以并行计算 Attention只有把这些概念和实际代码一一对应Transformer 才算真正入门。9. 训练资源占用与性能观察方法很多初学者关心的问题不是模型准不准而是“我电脑能不能跑”。这部分给出一套通用的观察方法不针对具体显卡给死数字因为实际占用取决于模型大小、batch size、分辨率、序列长度等多个因素。观察项包括GPU 显存占用CPU 占用内存占用训练一个 epoch 的耗时推理一单张图片或一条文本的耗时。能观察到这些信息的方法# 终端实时查看 GPU 状态 nvidia-smi -l 2带-l 2表示每两秒刷新一次。训练过程中你会看到某个 Python 进程的显存占用在升高训练结束后会回落到低值。如果显存不足优先按以下顺序调整降低batch_size降低图片分辨率或序列长度使用torch.cuda.amp混合精度虽然会牺牲少量精度但能显著降低显存占用换用更小的模型比如从bert-base换到distilbert。CPU 训练时可以把torch.set_num_threads()设为物理核心数但不要盲目设成最大逻辑线程数否则可能造成资源争抢速度反而变慢。入门阶段更合理的做法是先用 CPU 把完整流程跑通确认代码正确再用 GPU 做正式训练。这样既节省时间也避免“显存报错和代码报错混在一起”时不知道先查哪个。10. 常见问题与排查方法问题现象可能原因排查方式解决方案torch.cuda.is_available()返回 FalsePyTorch 版本与 CUDA 驱动不匹配查看nvidia-smi的 CUDA 版本再确认 PyTorch 安装命令重装对应 CUDA 版本的 PyTorch下载 MNIST 数据集失败网络问题或数据集源不可达检查网络看下载日志可手动下载数据集放到./data目录或用其他国内镜像源RuntimeError: shape mismatch张量维度不匹配打印每一层的x.shape检查卷积 padding、全连接层输入维度和 batch 维度显存不足CUDA out of memorybatch size 过大或模型过大查看nvidia-smi占用降低 batch size、减小序列长度、使用混合精度Jupyter 端口被占用之前启动过 Notebook查看端口占用情况使用jupyter notebook --port8889换端口训练 loss 不下降学习率过大或过小、数据未归一化、模型结构有误观察 loss 变化曲线调整学习率检查数据标签从 0.001 起步做对比实验推理结果全是同一类标签映射错误或模型未收敛检查预测类别分布检查数据集标签顺序确认类别索引和名称对应代码在 CPU 能跑、GPU 报错数据和模型不在同一设备上检查.to(device)是否覆盖了模型、输入、标签统一用model model.to(device)输入输出也用.to(device)11. 最佳实践与学习建议11.1 学习节奏控制建议按“两天理论 三天代码”的节奏推进每一大模块。不要花太多时间看视频或讲义深度学习的核心手感来自自己把代码一行行打出来、跑起来、改参数、观察效果。第一次跑代码时不要整段复制粘贴。先把数据加载、网络定义、训练循环、评估函数分开阅读理解每一个环节的输入输出。然后用自己的话重写一个简化版本哪怕准确率比课程的代码低收获也远远大于复制运行一遍。11.2 工程习惯养成从第一个项目开始就分目录管理代码、数据和输出project/ ├── data/ # 数据集 ├── models/ # 保存训练好的模型 ├── logs/ # 训练日志输出 ├── src/ # 代码 └── notebooks/ # 实验 Notebook这样做的原因是深度学习实验的迭代次数非常多如果所有文件都堆在一个目录里几天后你可能就找不到之前训练用的参数和数据集版本了。11.3 版权与合规提醒课程中的数据集、预训练模型、代码脚本只建议用于个人学习和研究。如果后续要把模型用于商用、公开发布或二次训练必须逐项确认数据集授权、模型许可证、以及第三方代码的版权要求。涉及人脸照片、他人声音、版权文本或未授权图像时不能直接作为训练数据。11.4 如何进阶到新方向学完这门课你会有几个清晰的方向可以继续深入视觉方向目标检测、语义分割、图像生成文本方向微调大模型、RAG、Agent多模态方向CLIP、图文检索、视频理解模型部署ONNX、TensorRT、fp16/bf16 混合精度、批量推理服务。每个方向都需要用到这门课里打下的基础尤其是张量形状推断、数据流理解、训练与验证方法论。把这套基本功练熟后面接触任何新模型本质上都只是“换数据 换网络结构 调训练策略”。12. 下一步建议这门《深度学习课程入门》值得花 4 到 6 周完整过一遍。前两周集中补 Python 与神经网络基础第三周做 CNN 项目第四周做 RNN 项目第五周进入 Transformer最后一周围绕一个小型综合项目做收尾比如“中文评论情感分析 可视化展示”。最容易踩的坑有三个在环境配置上花太多时间却迟迟不写代码直接复制官方教程跑大模型报错后无从排查只看视频和讲义没有亲手改过参数。建议你从最小可运行项目开始先把 MNIST 或一个小型文本分类任务跑通再对照课程内容逐步加大任务规模。接口调不通、环境装不上、显存不够用这些问题在入门阶段都很正常关键是建立一套“日志定位 → 逐步缩小范围 → 替换验证”的排错方法。如果已经准备好动手可以先按第 4 节的环境方案搭好环境再拿第 5 节的 MNIST 代码做一次冒烟测试。对于想要系统掌握深度学习技术的开发者来说这一条“神经网络 → CNN → RNN → Transformer”的学习路线仍然是最稳的起步路径建议收藏备用。 深度学习入门路线评测：从神经网络到Transformer的PyTorch实战指南
如果2026年还要从零入门深度学习最值得先想清楚的问题不是“要不要学”而是“跟哪条路线学”。这次我们看的这门《深度学习课程入门》主线非常明确神经网络基础 → CNN → RNN → Transformer每一块都配 Python 实战定位是“哪怕只有一台普通笔记本也能从第一行代码开始跑完整个入门流程”。这门课的优点不在概念堆砌而在体系编排。它没有一上来就丢给你一堆数学公式而是先建立“神经网络是怎么工作的”这个核心直觉再逐步引入卷积、循环、注意力机制。整个学习路径覆盖了图像分类、序列建模、文本理解三大主流任务学完以后再看 GPT、BERT、扩散模型这类前沿方向时至少能看懂它们在解决什么问题、改动了哪一层结构。这篇文章会用课程设计的视角把这门课拆解开来讲课程能力速览、章节体系、动手环境搭建、典型项目验证、显存和性能观察、常见坑与排查办法、以及一套适合初学者的最佳实践流程。你可以把它当作“选课评测 学习路线图 环境配置手册”三合一来看。1. 核心能力速览能力项说明课程定位深度学习零基础入门覆盖神经网络、CNN、RNN、Transformer 四大模块编程语言Python主要框架PyTorch 为主部分章节涉及 Hugging Face Transformers配套任务手写数字识别、图像分类、序列建模、文本分类、简单生成式模型理论深度公式适量侧重直觉理解与工程实现实战占比每章至少一个可运行项目关键算法配套代码讲解适合人群Python 基础较弱但想入门深度学习的同学刚接触 AI 的开发者需要快速建立知识地图的转行者运行环境CPU 可完成入门实验有 NVIDIA GPU 时可体验完整训练加速动手预估需要自己安装 Python、PyTorch并准备好 Jupyter Notebook 或 VS Code版权边界课程代码和数据集仅限学习研究商用前需自行确认授权从能力表能看出来这门课的核心是“用最少的理论成本把深度学习主流程跑通”。它不像数学专著那样推导每一个偏导也不像工程教程那样只给代码不给原理而是每章都按“问题引入 → 网络结构 → 代码实现 → 结果分析”四步走。2. 课程结构拆解四阶段主线2.1 神经网络基础先解决“网络到底在学什么”这一阶段会从感知机讲起解释权重、偏置、激活函数、损失函数、梯度下降和反向传播。课程会用“预测房价”或“手写数字识别”这类小的回归/分类问题让你直观看到网络从随机初始化到逐步收敛的过程。学习重点可以放在三件事前向传播是怎么把输入变成输出的损失函数如何量化“预测错了多少”反向传播如何把误差传回去更新权重。对于初学者来说不需要死磕矩阵求导但要能读懂一张网络结构图并且能说出每一层输入输出的形状变化。这是后续理解 CNN、RNN、Transformer 的基础。2.2 CNN 模块从卷积核到图像分类CNN 是这门课的第二大板块也是计算机视觉的基石。课程会从“为什么全连接网络不适合直接处理图片”这个问题切入引出卷积操作、通道数、池化、感受野这些关键概念。实践部分通常会从 MNIST 或 CIFAR-10 入手再延伸到猫狗分类这类更接近真实场景的数据集。你需要掌握的内容包括Conv2d 的输入输出维度计算卷积核大小、padding、stride 对特征图尺寸的影响MaxPooling 的作用一个简单 CNN 的完整训练流程如何用 TensorBoard 或 matplotlib 画 loss 曲线判断收敛情况。这部分学完你应该能独立实现一个两到三层的卷积网络并完成一个图片二分类任务。2.3 RNN 模块处理序列数据的思路进入 RNN 之后课程开始转向时间序列、文本、语音这一类“有先后顺序”的数据。RNN 的核心是隐藏状态它把上一个时间步的信息带到下一个时间步从而让网络具备“记忆”。课程会对比 RNN 与普通前馈网络的区别讲清楚梯度消失和梯度爆炸为什么在 RNN 中特别明显然后引出 LSTM 和 GRU 这两个改进结构。入门阶段建议重点跑两个实验基于 RNN 或 LSTM 的文本分类比如影评情感判断基于 LSTM 的简单时间序列预测。这一阶段不需要追求模型精度而是要理解(batch, seq_len, input_size)这种张量形状在循环网络中是怎样流动的。2.4 Transformer 与注意力机制现代大模型的基础Transformer 放在 CNN 和 RNN 之后讲是一个很合理的安排。它先告诉你 RNN 的瓶颈在于无法并行、长距离依赖容易丢失然后引出 Self-Attention 机制每个 token 直接和所有 token 计算相关性从而一步到位捕捉全局依赖。这一部分需要掌握的关键点Q、K、V 三个矩阵是怎么来的注意力分数 softmax 之后如何加权求和Multi-Head Attention 多头注意力的作用位置编码为什么要存在Transformer 的 Encoder 和 Decoder 分别用在什么任务里。实践部分一般会用 Hugging Face Transformers 库跑一个文本分类任务比如用bert-base-chinese做中文情感分类。到这一步你已经具备看懂 GPT、BERT 结构图的基本能力了。3. 学习路线与前置条件3.1 需要提前掌握什么严格来说这门课不需要你已经是一个 Python 高手但下面几项最好提前准备好Python 基础语法变量、循环、函数、类、列表推导式NumPy 基础操作数组创建、reshape、切片、矩阵乘法常用数据处理方式CSV 读取、Pandas 基础操作对命令行不陌生能使用终端安装包、运行脚本。如果上面某项不熟建议在正式学深度学习前先花一周补一下。课程里很多代码的坑不是模型造成的而是 Python 语法和数据处理习惯导致的。3.2 硬件环境要求深度学习入门的硬件门槛其实比很多人想象中低不少CPU 环境可以完成 MNIST、简单 CNN、小型 RNN/Transformer 实验只是训练速度慢一些GPU 环境建议 NVIDIA 显卡显存 4G 以上即可入门6G 以上体验明显更好内存建议 16G磁盘空间建议预留 40G 以上PyTorch、CUDA、数据集、模型权重都会占用空间。如果暂时没有 NVIDIA 显卡也可以用云 GPU 或者 Google Colab 做训练。入门阶段最重要的不是把单次训练跑到最快而是把代码和原理跑通。3.3 需要准备的工具清单工具用途备注Anaconda 或 Miniconda创建独立的 Python 虚拟环境避免污染系统 PythonPython 3.10 或 3.11运行 PyTorchPyTorch深度学习训练框架Jupyter Notebook交互式学习、分段跑代码新手友好VS Code写脚本和调试可替代Git拉取课程代码可选4. 环境准备与安装部署4.1 用 conda 创建虚拟环境即使你之前习惯直接用系统 Python也建议在这里创建一个独立环境。深度学习包的依赖关系比较复杂隔离环境能省掉大量环境冲突的问题。打开终端或 Anaconda Prompt执行conda create -n dl_course python3.10 -y conda activate dl_course创建完成后会进入名为dl_course的环境后续所有包都装在这个环境里。4.2 安装 PyTorch安装 PyTorch 前先确认自己有没有 NVIDIA 显卡如果有用nvidia-smi看一下驱动和 CUDA 版本nvidia-smi如果输出类似下面的内容NVIDIA-SMI 560.xx Driver Version: 560.xx CUDA Version: 12.5说明你的驱动已经支持 CUDA可以安装对应版本的 PyTorch。如果你不确认具体命令去 PyTorch 官网选择对应操作系统和 CUDA 版本复制安装命令即可。CPU 或者暂时不想装 CUDA 的同学可以直接执行pip install torch torchvision torchaudio这样默认安装的是 CPU 版也能跑完课程里的大部分入门实验只是训练速度会慢。装完之后验证python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果torch.cuda.is_available()返回True说明 GPU 可用返回False也不影响入门阶段的学习。4.3 安装常用依赖库除了 PyTorch课程里常会用到的库还有pip install numpy pandas matplotlib scikit-learn jupyter transformers datasets装完后在终端启动 Jupyterjupyter notebook浏览器会自动打开 Notebook 页面到这里一套最基础的深度学习实验环境就准备好了。5. 第一个网络实战用 PyTorch 训练 MNISTMNIST 是深度学习的“Hello World”它是一套 28×28 的手写数字灰度图一共 10 个类别。你的第一个目标不是拿高分而是跑通“定义模型 → 训练 → 评估”的完整流程。以下给出一段可直接运行的代码骨架你可以边学课程原理边对照import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 1. 数据预处理与加载 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) test_dataset datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size256, shuffleFalse) # 2. 定义一个简单的全连接网络 class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 nn.Linear(28 * 28, 128) self.fc2 nn.Linear(128, 64) self.fc3 nn.Linear(64, 10) self.relu nn.ReLU() def forward(self, x): x x.view(x.size(0), -1) x self.relu(self.fc1(x)) x self.relu(self.fc2(x)) x self.fc3(x) return x model SimpleNet() criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 3. 训练一个 epoch def train_one_epoch(loader): model.train() total_loss 0 for images, labels in loader: optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() total_loss loss.item() print(fTrain Loss: {total_loss / len(loader):.4f}) # 4. 验证精度 def evaluate(loader): model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in loader: outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(fTest Accuracy: {100 * correct / total:.2f}%) train_one_epoch(train_loader) evaluate(test_loader)第一次跑这段代码时你要重点观察几件事数据下载是否成功、路径是否正确第一个 epoch 的 loss 是变大还是变小测试准确率是否明显高于随机猜测的 10%。如果都能满足说明你的环境、数据加载、训练流程都是通顺的。接下来回到课程里把每一行代码和课程中的网络结构图对应起来效果会好很多。6. CNN 实战从 MNIST 到猫狗图像分类6.1 CNN 和全连接网络的差异传统全连接网络处理图片时会把像素拉平成一维向量损失空间结构信息。CNN 通过卷积核在图像上滑动每次只关注一个小区域然后通过多层的堆叠获得越来越大的感受野。这样既保证参数共享又保留了局部特征。在 MNIST 上你可以做一个对比实验用第 5 节的全连接网络和下面这个简单的 CNN 分别训练观察在同样 epoch 下谁收敛更快、准确率更高。class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 nn.Conv2d(in_channels1, out_channels16, kernel_size3, padding1) self.conv2 nn.Conv2d(in_channels16, out_channels32, kernel_size3, padding1) self.pool nn.MaxPool2d(2, 2) self.fc1 nn.Linear(32 * 7 * 7, 128) self.fc2 nn.Linear(128, 10) self.relu nn.ReLU() def forward(self, x): x self.pool(self.relu(self.conv1(x))) x self.pool(self.relu(self.conv2(x))) x x.view(x.size(0), -1) x self.relu(self.fc1(x)) x self.fc2(x) return x跑这个模型时建议在每次卷积和池化之后打印x.shape直观感受特征图尺寸的变化。例如输入是[1, 28, 28]经过一次卷积加池化后变成[16, 14, 14]再经过一次变成[32, 7, 7]。这种形状推导能力是后面阅读任何论文代码的基础。6.2 猫狗数据集训练流程如果时间允许可以跳过 MNIST直接拿猫狗分类数据集来做 CNN 实战。这个任务更接近真实场景因为图片尺寸不一致、背景复杂、正负样本也存在较大差异。处理这类数据时要学会把图片统一 resize 到固定尺寸比如 128×128 或 224×224划分训练集和验证集使用torchvision.datasets.ImageFolder直接按目录结构加载数据数据增强比如随机翻转、旋转、颜色抖动控制过拟合。训练时建议从batch_size16或32开始先用少量 epoch 跑通流程再逐步增加训练轮数。不要一上来就用大模型否则很容易在环境配置和显存报错上浪费大量时间。7. RNN 实战文本分类与序列预测进入 RNN 部分课程的重心会从视觉转向语言和时间序列。和 CNN 处理二维图像不同RNN 处理的是(batch, seq_len, feature_dim)这种三维张量。一个典型任务是用 LSTM 做中文影评情感分类大致流程如下import torch import torch.nn as nn class LSTMSentiment(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_dim, num_layers, num_classes): super(LSTMSentiment, self).__init__() self.embedding nn.Embedding(vocab_size, embedding_dim) self.lstm nn.LSTM(embedding_dim, hidden_dim, num_layers, batch_firstTrue) self.fc nn.Linear(hidden_dim, num_classes) def forward(self, x): # x shape: (batch, seq_len) x self.embedding(x) # (batch, seq_len, embedding_dim) out, (h_n, c_n) self.lstm(x) # out: (batch, seq_len, hidden_dim) out out[:, -1, :] # 取最后一个时间步 out self.fc(out) return out这段代码的逻辑是把文本 token 序列映射成 embedding 向量输入 LSTM 层逐时间步更新隐藏状态取最后一个时间步的隐藏状态作为整句话的表示接一个全连接层完成分类。写代码时最容易出错的是 LSTM 的输入形状。batch_firstTrue表示输入是(batch, seq_len, embedding_dim)如果忘记设这个参数默认输入形状是(seq_len, batch, embedding_dim)数据维度对不上就会报错。RNN 部分学完后可以再做一个小实验来加深理解用前 30 天的数据预测第 31 天的数值比如天气温度或股票价格。这个任务不要求预测多准重点是理解滑窗构造样本、序列归一化、训练集和测试集按时间切分这三个操作。8. Transformer 实战用预训练模型做文本分类Transformer 是这个课程的压轴模块。你可以不自己从零写 Attention 的全部代码但一定要跑一遍 Hugging Face Transformers 库的预训练模型直观感受“加载一个模型 → 做推理 → 微调”的工作流。下面这段代码用bert-base-chinese做中文情感分类from transformers import pipeline classifier pipeline( text-classification, modelbert-base-chinese, top_kNone ) result classifier(这个电影真的很好看剧情紧凑演员演技在线。) print(result)第一次跑的时候会先下载模型权重。bert-base-chinese的大小在 400M 左右下载速度取决于网络情况。下载完成后模型会缓存到本地目录后续再跑会直接加载缓存。如果不想用在线模型也可以用更小的中文预训练模型比如hfl/rbt3或uer/roberta-base-finetuned-jd-binary-chinese速度更快占用的磁盘空间也更小。跑通推理之后再回头对照课程里的结构图去看 Attention Mask 是怎么工作的为什么 pad 位置要被掩码掉为什么句首要加[CLS]为什么不同的 token 可以并行计算 Attention只有把这些概念和实际代码一一对应Transformer 才算真正入门。9. 训练资源占用与性能观察方法很多初学者关心的问题不是模型准不准而是“我电脑能不能跑”。这部分给出一套通用的观察方法不针对具体显卡给死数字因为实际占用取决于模型大小、batch size、分辨率、序列长度等多个因素。观察项包括GPU 显存占用CPU 占用内存占用训练一个 epoch 的耗时推理一单张图片或一条文本的耗时。能观察到这些信息的方法# 终端实时查看 GPU 状态 nvidia-smi -l 2带-l 2表示每两秒刷新一次。训练过程中你会看到某个 Python 进程的显存占用在升高训练结束后会回落到低值。如果显存不足优先按以下顺序调整降低batch_size降低图片分辨率或序列长度使用torch.cuda.amp混合精度虽然会牺牲少量精度但能显著降低显存占用换用更小的模型比如从bert-base换到distilbert。CPU 训练时可以把torch.set_num_threads()设为物理核心数但不要盲目设成最大逻辑线程数否则可能造成资源争抢速度反而变慢。入门阶段更合理的做法是先用 CPU 把完整流程跑通确认代码正确再用 GPU 做正式训练。这样既节省时间也避免“显存报错和代码报错混在一起”时不知道先查哪个。10. 常见问题与排查方法问题现象可能原因排查方式解决方案torch.cuda.is_available()返回 FalsePyTorch 版本与 CUDA 驱动不匹配查看nvidia-smi的 CUDA 版本再确认 PyTorch 安装命令重装对应 CUDA 版本的 PyTorch下载 MNIST 数据集失败网络问题或数据集源不可达检查网络看下载日志可手动下载数据集放到./data目录或用其他国内镜像源RuntimeError: shape mismatch张量维度不匹配打印每一层的x.shape检查卷积 padding、全连接层输入维度和 batch 维度显存不足CUDA out of memorybatch size 过大或模型过大查看nvidia-smi占用降低 batch size、减小序列长度、使用混合精度Jupyter 端口被占用之前启动过 Notebook查看端口占用情况使用jupyter notebook --port8889换端口训练 loss 不下降学习率过大或过小、数据未归一化、模型结构有误观察 loss 变化曲线调整学习率检查数据标签从 0.001 起步做对比实验推理结果全是同一类标签映射错误或模型未收敛检查预测类别分布检查数据集标签顺序确认类别索引和名称对应代码在 CPU 能跑、GPU 报错数据和模型不在同一设备上检查.to(device)是否覆盖了模型、输入、标签统一用model model.to(device)输入输出也用.to(device)11. 最佳实践与学习建议11.1 学习节奏控制建议按“两天理论 三天代码”的节奏推进每一大模块。不要花太多时间看视频或讲义深度学习的核心手感来自自己把代码一行行打出来、跑起来、改参数、观察效果。第一次跑代码时不要整段复制粘贴。先把数据加载、网络定义、训练循环、评估函数分开阅读理解每一个环节的输入输出。然后用自己的话重写一个简化版本哪怕准确率比课程的代码低收获也远远大于复制运行一遍。11.2 工程习惯养成从第一个项目开始就分目录管理代码、数据和输出project/ ├── data/ # 数据集 ├── models/ # 保存训练好的模型 ├── logs/ # 训练日志输出 ├── src/ # 代码 └── notebooks/ # 实验 Notebook这样做的原因是深度学习实验的迭代次数非常多如果所有文件都堆在一个目录里几天后你可能就找不到之前训练用的参数和数据集版本了。11.3 版权与合规提醒课程中的数据集、预训练模型、代码脚本只建议用于个人学习和研究。如果后续要把模型用于商用、公开发布或二次训练必须逐项确认数据集授权、模型许可证、以及第三方代码的版权要求。涉及人脸照片、他人声音、版权文本或未授权图像时不能直接作为训练数据。11.4 如何进阶到新方向学完这门课你会有几个清晰的方向可以继续深入视觉方向目标检测、语义分割、图像生成文本方向微调大模型、RAG、Agent多模态方向CLIP、图文检索、视频理解模型部署ONNX、TensorRT、fp16/bf16 混合精度、批量推理服务。每个方向都需要用到这门课里打下的基础尤其是张量形状推断、数据流理解、训练与验证方法论。把这套基本功练熟后面接触任何新模型本质上都只是“换数据 换网络结构 调训练策略”。12. 下一步建议这门《深度学习课程入门》值得花 4 到 6 周完整过一遍。前两周集中补 Python 与神经网络基础第三周做 CNN 项目第四周做 RNN 项目第五周进入 Transformer最后一周围绕一个小型综合项目做收尾比如“中文评论情感分析 可视化展示”。最容易踩的坑有三个在环境配置上花太多时间却迟迟不写代码直接复制官方教程跑大模型报错后无从排查只看视频和讲义没有亲手改过参数。建议你从最小可运行项目开始先把 MNIST 或一个小型文本分类任务跑通再对照课程内容逐步加大任务规模。接口调不通、环境装不上、显存不够用这些问题在入门阶段都很正常关键是建立一套“日志定位 → 逐步缩小范围 → 替换验证”的排错方法。如果已经准备好动手可以先按第 4 节的环境方案搭好环境再拿第 5 节的 MNIST 代码做一次冒烟测试。对于想要系统掌握深度学习技术的开发者来说这一条“神经网络 → CNN → RNN → Transformer”的学习路线仍然是最稳的起步路径建议收藏备用。