深度学习入门
深度学习（Deep Learning）是机器学习的子集：用多层神经网络自动提取特征。数据量大、算力强时，深度学习方法效果远超传统方法。
神经网络是什么
一层层"神经元"连接而成：输入层接收数据 → 隐藏层逐层变换 → 输出层给结果。每层学习数据的不同层级特征（图片：边缘→形状→物体）。
主流架构
- CNN 卷积网络：图像识别
- RNN/LSTM 循环网络：序列数据（早期语音、文本）
- Transformer：现代大模型的基础（注意力机制）
代码示例
# 用 PyTorch 定义最小神经网络
import torch
import torch.nn as nn
# 两层网络：2 输入 → 8 隐藏 → 1 输出
model = nn.Sequential(
nn.Linear(2, 8),
nn.ReLU(),
nn.Linear(8, 1)
)
# 输入一个样本
x = torch.tensor([[1.0, 2.0]])
print("输出:", model(x).item())
# 训练需要：数据、损失函数、优化器
# loss_fn = nn.MSELoss()
# optimizer = torch.optim.Adam(model.parameters(), lr=0.01)📚 Python 语法速查
常用条目速查，完整版见对应教程章节。可复制代码到在线运行中测试。
| 写法 / 语法 | 作用 |
|---|---|
print("hello") | 输出到控制台 |
name = "张三" | 变量赋值（无需声明类型） |
if x > 0: ... | 条件判断（注意冒号和缩进） |
for i in range(10): ... | 循环（缩进是语法的一部分） |
while x < 10: ... | 条件循环 |
def fn(a, b): return a + b | 定义函数 |
class Person: ... | 定义类 |
list = [1, 2, 3] | 列表（可改） |
tuple = (1, 2) | 元组（不可改） |
dict = {"key": "value"} | 字典（键值对） |
set = {1, 2, 3} | 集合（去重） |
len(obj) | 取长度 |
str(x) / int(x) / float(x) | 类型转换 |
s.split(",") | 字符串按分隔符拆分 |
" ".join(list) | 列表拼接成字符串 |
import os | 导入模块 |
from math import sqrt | 从模块导入指定函数 |
try: ... except Exception as e: ... | 异常捕获 |
with open("a.txt", "r") as f: ... | 文件读取（自动关闭） |
f"你好 {name}" | f-string 格式化 |
lambda x: x * 2 | 匿名函数 |
list(map(fn, arr)) | 函数式处理列表 |
range(start, stop, step) | 生成数字序列 |
if __name__ == "__main__": | 主入口判断 |
pip install 包名 | 安装第三方包（命令行） |