# 课程大纲与学习路线

> 来源：https://deeplearning.bnuai.com/syllabus/ ｜ 作者：唐志清（北京师范大学） ｜ 更新：2026-11-01 ｜ 内容依据邱锡鹏《神经网络与深度学习》（https://nndl.ai/）及作者公开课件

《深度学习》课程以邱锡鹏《神经网络与深度学习》为教材，配合本站的 15 章课件和讲义，系统介绍深度学习的基础理论、典型模型与前沿方法。下面的安排供教学和自学参考，任课教师可按学时调整。

## 课程目标

完成本课程后，学生应能够：

1. 理解机器学习的基本概念（模型、学习准则、优化算法），掌握线性模型；
2. 掌握前馈网络、卷积网络、循环网络、注意力与 Transformer 等基础模型的原理，能推导反向传播；
3. 掌握网络优化与正则化的常用技巧，能独立训练和调试深度模型；
4. 了解概率图模型、深度生成模型、深度强化学习和序列生成模型等进阶内容；
5. 能用 PyTorch 等框架实现常见模型，并阅读相关领域的论文。

## 先修知识

| 领域 | 需要掌握的内容 | 参考 |
| --- | --- | --- |
| 线性代数 | 向量、矩阵运算，特征值与特征向量，矩阵求导 | 教材附录 A、B |
| 微积分 | 偏导数、链式法则、梯度 | 教材附录 B |
| 概率统计 | 条件概率、贝叶斯公式、期望与方差、常见分布、最大似然 | 教材附录 D |
| 优化 | 凸函数、梯度下降、拉格朗日乘数法 | 教材附录 C |
| 编程 | Python、NumPy；PyTorch 基础 | [nndl-practice](https://github.com/nndl/nndl-practice) |

## 学习路线

```mermaid
flowchart TB
  A["① 机器学习基础<br/>1 绪论 → 2 机器学习概述 → 3 线性模型"] --> B["4 前馈神经网络"]
  B --> C5["5 卷积神经网络"]
  B --> C6["6 循环神经网络"]
  B --> C7["7 网络优化与正则化"]
  B --> C9["9 无监督学习"]
  B --> C10["10 模型独立的学习方式"]
  C6 --> C8["8 注意力机制与外部记忆"]
  C8 --> C15["15 序列生成模型"]
  C7 --> C14["14 深度强化学习"]
  C9 --> C11["11 概率图模型"]
  C11 --> C12["12 深度信念网络"]
  C11 --> C13["13 深度生成模型"]
  classDef p1 fill:#e0e7ff,stroke:#4f46e5,color:#1e1b4b
  classDef p2 fill:#ede9fe,stroke:#7c3aed,color:#2e1065
  classDef p3 fill:#fce7f3,stroke:#db2777,color:#500724
  class A p1
  class B,C5,C6,C7,C8,C9,C10 p2
  class C11,C12,C13,C14,C15 p3
```

<p style="font-size:13px;color:var(--vp-c-text-2)">蓝色：第一部分 · 机器学习基础；紫色：第二部分 · 基础模型；粉色：第三部分 · 进阶模型。</p>

- **核心路线（必修）**：第 1–8 章。这是理解现代深度学习（包括大模型）所需的最小知识集合。
- **概率路线**：第 9 → 11 → 12 → 13 章，适合对生成模型、贝叶斯方法感兴趣的同学。
- **应用路线**：第 8 → 15 章（NLP / 大模型），第 7 → 14 章（强化学习 / 决策）。

## 教学进度（16 周参考）

<div class="week-table">

| 周次 | 内容 | 章节 | 建议学时 | 实践 / 作业 |
| --- | --- | --- | --- | --- |
| 第 1 周 | 绪论：AI、表示学习、深度学习发展史 | [第 1 章](https://deeplearning.bnuai.com/chapters/01-introduction) | 2 | 环境配置，PyTorch 入门 |
| 第 2 周 | 机器学习三要素、线性回归、偏差-方差 | [第 2 章](https://deeplearning.bnuai.com/chapters/02-machine-learning) | 3 | 线性回归（手写梯度下降） |
| 第 3 周 | Logistic / Softmax 回归、感知器、SVM | [第 3 章](https://deeplearning.bnuai.com/chapters/03-linear-models) | 3 | Softmax 分类 |
| 第 4 周 | 前馈网络、反向传播、自动微分 | [第 4 章](https://deeplearning.bnuai.com/chapters/04-feedforward) | 3 | 手写 MLP 与反向传播 |
| 第 5 周 | 卷积网络（一）：卷积、汇聚、LeNet | [第 5 章](https://deeplearning.bnuai.com/chapters/05-cnn) | 3 | — |
| 第 6 周 | 卷积网络（二）：AlexNet、Inception、ResNet | [第 5 章](https://deeplearning.bnuai.com/chapters/05-cnn) | 2 | CNN 图像分类（作业 1） |
| 第 7 周 | 循环网络、BPTT、LSTM / GRU、图网络 | [第 6 章](https://deeplearning.bnuai.com/chapters/06-rnn) | 3 | 字符级语言模型 |
| 第 8 周 | 网络优化：优化算法、初始化、归一化 | [第 7 章](https://deeplearning.bnuai.com/chapters/07-optimization-regularization) | 3 | 优化器对比实验 |
| 第 9 周 | 正则化；期中复习 | [第 7 章](https://deeplearning.bnuai.com/chapters/07-optimization-regularization) | 2 | 期中测验 |
| 第 10 周 | 注意力机制、自注意力、Transformer、外部记忆 | [第 8 章](https://deeplearning.bnuai.com/chapters/08-attention-memory) | 3 | Transformer 翻译 / 分类（作业 2） |
| 第 11 周 | 无监督学习；模型独立的学习方式 | [第 9 章](https://deeplearning.bnuai.com/chapters/09-unsupervised-learning)、[第 10 章](https://deeplearning.bnuai.com/chapters/10-model-independent-learning) | 3 | 自编码器 / 迁移学习 |
| 第 12 周 | 概率图模型：表示、学习（EM） | [第 11 章](https://deeplearning.bnuai.com/chapters/11-probabilistic-graphical-models) | 3 | GMM 与 EM |
| 第 13 周 | 概率图模型：推断与采样；深度信念网络 | [第 11 章](https://deeplearning.bnuai.com/chapters/11-probabilistic-graphical-models)、[第 12 章](https://deeplearning.bnuai.com/chapters/12-deep-belief-networks) | 3 | RBM（选做） |
| 第 14 周 | 深度生成模型：VAE、GAN | [第 13 章](https://deeplearning.bnuai.com/chapters/13-deep-generative-models) | 3 | VAE / DCGAN（作业 3） |
| 第 15 周 | 深度强化学习：值函数、DQN、策略梯度 | [第 14 章](https://deeplearning.bnuai.com/chapters/14-deep-reinforcement-learning) | 3 | CartPole DQN |
| 第 16 周 | 序列生成模型；课程总结 | [第 15 章](https://deeplearning.bnuai.com/chapters/15-sequence-generation) | 3 | 课程项目展示 |

</div>

> 学时较少（如 32 学时）时，可以略去第 10、12 章，并把第 11 章压缩为 EM 与采样两个专题；学时较多时，可以增加一周的大模型专题（参见第二版第 13 章）。

## 考核方式（模板）

| 项目 | 占比 | 说明 |
| --- | --- | --- |
| 平时作业 | 30% | 3 次编程作业 + 每章思考题 |
| 期中测验 | 15% | 第 1–7 章 |
| 课程项目 | 25% | 2–3 人一组，选题、报告与展示 |
| 期末考试 | 30% | 闭卷，覆盖全部必修内容 |

> 以上安排供参考，具体以任课教师（北京师范大学 唐志清）课堂通知为准。

## 如何使用本站

1. **课前**：浏览[章节页面](https://deeplearning.bnuai.com/chapters/)的“学习目标”和课件幻灯片；
2. **课中**：用课件查看器全屏播放（快捷键 <kbd>F</kbd>，方向键翻页），讲义中的“幻灯片 N”标签可以直接跳转到对应页；
3. **课后**：阅读讲义、完成“思考题与习题”，用[交互演示](https://deeplearning.bnuai.com/demos/)加深直观理解，查阅[术语表](https://deeplearning.bnuai.com/glossary/)；
4. **拓展**：阅读教材原书和[学习资源](https://deeplearning.bnuai.com/resources/)中推荐的论文与课程。