循环神经网络（RNN）：会记忆的网络
循环神经网络专门处理序列数据：它每处理一步，就把当前状态传给下一步，从而拥有“记忆”。语音、文本、股票曲线这类有先后顺序的数据，曾主要靠它建模。 RNN 的局限很有哲学意味：它像一个人...
11小时前
LSTM：给网络装上“记忆门”
LSTM（长短期记忆网络）通过遗忘门、输入门、输出门精细控制信息的保留与丢弃，让网络能记住几百步之前的依赖关系。它曾是自然语言处理的不二选择。 LSTM 最动人的设计是“主动遗忘”。它不是努...
11小时前
GRU：LSTM 的轻量化替代
GRU（门控循环单元）把 LSTM 的三个门简化为两个，参数更少、训练更快，在很多任务上效果与 LSTM 相当。它是“够用就好”工程哲学的典范。 GRU 的故事是给所有工程师的提醒：不是越复杂越好。当...
11小时前
Transformer 架构：大模型时代的基石
Transformer 用注意力机制完全取代了循环结构，让序列建模可以全并行计算。2017 年的一篇论文把它带到世界面前，此后几乎所有大模型都建立在它之上。 Transformer 的名字本身就是一个预言：它真...
11小时前
自注意力：一个词如何“看见”整句话
自注意力让序列中的每个位置都直接与其他所有位置计算关联强度。读“苹果”这个词时，模型会结合上下文判断它是水果还是手机——这种能力正是语言理解的关键。 自注意力的深刻之处在于：意义不...
11小时前
什么是深度学习：让机器拥有“多层理解”
深度学习是机器学习的一个分支，使用多层（深层）神经网络自动从数据中提取特征。浅层网络只能学简单模式，深层网络能逐层组合出抽象概念——从像素到边缘，从边缘到器官，从器官到人脸。 深度...
11小时前
神经元与感知机：神经网络的最小单元
神经元是神经网络的基本计算单元：接收多个输入，各乘以权重求和，再通过激活函数输出。1957 年提出的感知机是最早的人工神经元模型，也是所有现代深度网络的祖先。 一个神经元的计算简单到小学...
11小时前
激活函数：给神经元注入非线性
激活函数给神经元的输出加一层非线性变换。没有它，无论网络多深都等价于一个线性模型，深度就失去了意义。小小的激活函数，其实是深度学习能成的关键。 激活函数的故事很有启示：一个看起来不...
11小时前
前馈神经网络：最朴素的网络结构
前馈神经网络是最经典的网络结构：数据从输入层单向流经若干隐藏层，最终到达输出层，没有回路。它是理解所有更复杂网络架构的基础课。 前馈网络像一条流水线：原料进来，一道道工序加工，成品...
11小时前
卷积神经网络（CNN）：AI 的眼睛
卷积神经网络是为图像而生的架构：用小窗口（卷积核）在图像上滑动提取局部特征，再逐层组合成高级概念。它让计算机视觉从实验室走向了现实世界。 CNN 的设计充满仿生智慧：人类视觉皮层也是先...
11小时前
