资源站：xingkeit.top/17788/

80天完整学习规划，第十五期深度学习班稳步夯实AI底层技术功底

不追热点不跳步，用80天把深度学习的"地基"打到足够深，往后任何方向都能接得住

一、为什么是80天？为什么是"底层技术"？

AI行业有个奇怪的现象：新工具和新框架层出不穷，但真正能让一个工程师走远的，始终是最底层的那些东西——梯度怎么传、参数怎么更新、网络怎么初始化、数据怎么归一化。这些东西不随框架更迭而过时，PyTorch换JAX也好，Transformer换Mamba也罢，底层的数学和算法逻辑纹丝不动。

80天的学习周期，对标的是一个完整的大学学期。第十五期深度学习班把这80天切成了四个阶段，每个阶段20天，从数学基础一路铺到Transformer底层实现。不跳步、不赶进度、每个知识点要求"能推导、能实现、能讲给别人听"。这样学完80天，你不会只会调包，而是真正具备独立阅读论文、复现模型、调试训练过程的能力。

二、四个阶段，80天逐层递进

第一阶段：数学基石与Python数据生态（第1-20天）

开篇不碰任何深度学习框架，前20天全砸在数学和Python工具链上。这个阶段看似"慢"，实则是整个80天里投资回报率最高的部分——后面60天遇到的每一个困惑，几乎都能追溯到第一阶段有没有学扎实。

数学部分（第1-10天）：每天一个核心概念，不追求证明，追求直觉。第1-3天是线性代数核心——向量、矩阵、矩阵乘法、特征值分解，重点在"矩阵乘法就是线性变换的复合"。第4-6天是微积分核心——导数、偏导、梯度、链式法则，重点在"链式法则是反向传播的全部秘密"。第7-8天是概率统计核心——概率分布、期望、方差、最大似然估计，重点在"最大似然就是交叉熵损失的数学源头"。第9-10天是最优化入门——梯度下降、学习率、动量，重点在"SGD是什么、怎么调"。每天配合小练习，用Python验证数学结论，而不是纸面推导。

Python数据生态（第11-20天）：NumPy是后面所有框架的底层基础，前5天专门练NumPy的数组操作、广播机制、向量化计算，目标是能用NumPy手写一个线性回归的训练过程。中间3天是Pandas数据清洗和预处理，包括缺失值处理、归一化、训练验证集划分。最后2天是数据可视化，用Matplotlib画出训练过程中的损失曲线和预测对比图。第一阶段的收官检验是：给定一个房价预测的数据集，用NumPy从零实现线性回归的梯度下降训练，画出损失下降曲线和预测散点图。能跑通这个，数学和Python基础就到位了。

第二阶段：神经网络基础与手动实现（第21-40天）

第二阶段开始触碰神经网络的核心。有一个理念贯穿始终：先手写，再调包。每一个概念必须先用Python+NumPy手写实现一遍，然后才用PyTorch验证。这样做的目的是让你真正理解"框架帮你在做什么"，而不是把框架当成黑盒。

第21-25天：感知机与多层感知机（MLP）。从神经元模型开始，手写前向传播、手写反向传播、手写参数更新。然后扩展到多层结构，手写三层MLP的训练代码。当你亲手实现过反向传播里每一层梯度的计算和传递之后，再用PyTorch的nn.Linear和autograd就会有一种"原来是这么回事"的恍然大悟。

第26-30天：激活函数与损失函数。Sigmoid、Tanh、ReLU、Softmax——每种激活函数手写实现，画出函数曲线和导数曲线，理解为什么ReLU在深层网络中优于Sigmoid。损失函数方面，MSE和交叉熵手写实现，配合不同任务类型理解选择的依据。

第31-35天：优化算法深入。SGD、带动量的SGD、Adam——手写每一种优化器的参数更新逻辑，在同一个MLP上对比不同优化器的收敛速度差异。这部分学完，你就能理解"Adam为什么比SGD收敛快"以及"什么时候该换回SGD"。

第36-40天：正则化与训练技巧。过拟合的本质是什么、L1和L2正则化在梯度更新公式里怎么体现、Dropout在前向传播里怎么工作、批归一化在训练和推理时行为为什么不同。每个技巧都是先手写实现再转到PyTorch，确保理解而不是死记配置。第二阶段结束时的检验是：手写一个完整的MLP分类器，在MNIST上达到95%以上准确率，并展示Dropout和BN带来的效果对比。

第三阶段：卷积神经网络与计算机视觉（第41-60天）

有了前40天的扎实基础，第三阶段进入CNN。同样的原则——先手写卷积操作、池化操作，再用PyTorch的卷积层替换。

第41-45天：卷积操作的本质。用循环实现一个纯Python版本的二维卷积（虽然慢，但能让你看清卷积核在输入上滑动、逐元素相乘求和的全过程）。理解通道、步长、填充、感受野这些概念。然后手写最大池化和平均池化。当这些基础操作都亲手写过之后，再引入PyTorch的nn.Conv2d和nn.MaxPool2d。

第46-50天：经典CNN架构解析与复现。LeNet、AlexNet、VGG、ResNet——每一个架构不只是"知道"，而是用PyTorch逐行复现代码。尤其是ResNet的残差连接，要理解它在反向传播时如何缓解梯度消失。这一阶段会做大量实验：加深网络但不加残差连接会怎样？加残差连接后又怎样？通过亲手跑实验来验证理论。

第51-55天：迁移学习与数据增强。用预训练的ResNet在小型数据集上做微调，理解"冻结部分层、只训练最后几层"的逻辑。数据增强方面，随机裁剪、水平翻转、色彩抖动——每种的实现原理和对模型泛化能力的影响。

第56-60天：目标检测与分割入门。从R-CNN到YOLO的演进逻辑，理解"滑动窗口→候选区域→锚点框"这条优化路径。不要求复现完整的检测模型（那需要大量工程），但要理解检测任务和分类任务的本质区别。第三阶段收官检验是：用PyTorch搭建一个ResNet-18，在CIFAR-10上训练到90%以上准确率，并做一次完整的迁移学习实验。

第四阶段：序列模型与Transformer（第61-80天）

最后20天攻克序列建模和Transformer——当前大模型的根基。

第61-65天：RNN与LSTM的底层实现。手写RNN的单步前向和通过时间的反向传播（BPTT），理解梯度消失为什么在RNN中尤其严重。然后手写LSTM的门控机制，理解"遗忘门、输入门、输出门"各自的数学形式和功能定位。再用PyTorch的LSTM模块在实际序列数据上实验。

第66-70天：注意力机制的诞生。从"Seq2Seq架构中编码器最后一层信息瓶颈"的问题出发，推导注意力机制为什么能解决这个问题。手写Bahdanau Attention的分数计算、权重归一化、上下文向量生成。当你亲手写过注意力分数从点积到Softmax的全过程，后面看Transformer的注意力就不会觉得玄乎。

第71-75天：Transformer的完整实现。自注意力、多头注意力、位置编码、层归一化、前馈网络、残差连接——每一个模块逐行实现，然后拼装成完整的Transformer Block。用这个手写的Transformer在机器翻译的小型数据集上跑一次训练，观察loss下降。

第76-80天：预训练与微调范式。理解BERT的掩码语言建模和GPT的自回归预训练在数学目标上有什么不同。用Hugging Face的Transformers库加载预训练模型，在自己的文本数据上做微调。最后一天做一个整体复盘——把80天学过的所有知识点画成一张知识图谱，标注每个知识点之间的依赖关系。这张图就是你的"AI技术家底"。

三、这套规划和速成课程的根本区别

市面上的速成课通常3-5天讲完"深度学习入门"，内容就是调几个PyTorch接口跑通MNIST。学员学完确实能跑代码了，但换一个数据集、换一种模型立马不会——因为没有底层理解。

这套80天规划的核心哲学是"慢就是快"。前20天不碰框架，中间20天手写不调包，真正的PyTorch大量使用是从第40天以后才开始的。看似进度慢，但每个知识点都扎了根。80天学完，你面对一个新模型时不再是一个只会"调用别人写好的代码"的人，而是一个能读懂论文里的公式、能在PyTorch里复现、能调试训练过程中各种异常的人。

四、这套学习规划适合谁？

有一定编程基础（Python能写基本脚本）、但深度学习零基础的人是这套路线最标准的受众。大学理工科背景最好——至少不会害怕数学公式——但如果数学底子薄，第一阶段的20天就是你补短板的时间窗口。

工作中使用AI工具但总觉得"调包不踏实"的工程师也特别适合。你可能已经在用预训练模型做项目了，但遇到训练不收敛、显存不足、效果上不去这些问题时只能靠试错。80天走完，你会从"靠运气调参"变成"靠理解调参"。

五、最后说两句

深度学习的知识体系像个倒金字塔——底部是数学和基础算法，面积不大但极深；越往上框架和工具越多，面积越大但根基不牢就会晃。80天学习规划就是在帮你把倒金字塔翻过来——把底部打宽打厚，上面的东西自然能稳稳立住。

第十五期班的结业标准是一句话："给你一篇2025年的顶会论文，你能读懂它的方法部分，理解它为什么这么设计，然后用PyTorch把核心模块复现出来。" 达到这个标准，就算80天没有白费。之后不论大模型演化成什么样、新框架出来多少个，你都能凭这套底层能力快速跟上。这就是"夯实底层"的意义——它让你在这个变化极快的行业里，始终站在稳的那一边。