九讲导览

这张表是九讲的唯一总览：预习时先扫「一句话」列，复习时只读「必记」列。每讲另有一页讲导览（含节一览表、本讲地图与用法）与讲末材料（总结、勘误、习题、自检表、回忆卡、自测卷）。

图解读图：纵向是四条支线，横向是共同范式。无论 RNN、CNN、Diffusion 还是 RL，训练循环都可以写成结构 + 损失 + 梯度 + 评测四件事；差别只在结构如何归纳偏置、损失如何定义任务。

九讲一览

讲	一句话	必记	配套实验
1 · 深度学习导论	一切网络 = 结构 + 损失 + 梯度下降	前向/反向传播、交叉熵与 MSE、过拟合与正则	Lab 1
2 · 深度序列建模	用注意力直接建模任意位置的依赖	RNN 递推与梯度消失、门控、缩放点积注意力、Transformer、RoPE/GQA	Lab 1
3 · 深度计算机视觉	用局部性与权值共享压缩图像任务	卷积输出尺寸公式、感受野、残差连接、迁移学习、检测与分割	Lab 2
4 · 深度生成建模	学会数据分布就能采样出新样本	VAE 的 ELBO 与重参数化、GAN 极小极大、扩散的噪声预测、流匹配	—
5 · 深度强化学习	用回报信号在试错中学习策略	MDP 与回报、DQN 的经验回放与目标网络、策略梯度、PPO、DPO	—
6 · 新前沿	规模带来能力，也带来对齐问题	缩放律、思维链与测试时计算、VLM/VLA、智能体、评测污染	Lab 3
7 · AI 的三条法则	让系统可控、可解释、可信赖	对齐与奖励黑客、机制可解释性、公平度量、风险框架	—
8 · AI for Science	把科学试错变成可微分的推断	结构预测、等变网络、神经算子、PINN 边界、外推 vs 插值	—
9 · 大规模并行训练	模型放不下时，切分与通信是核心	显存五账单、DP/TP/PP、ZeRO/FSDP、混合精度、LoRA	Lab 3

每讲的固定结构（读法一致）

每一讲都按同一套骨架组织，便于跳读与复习：

讲导览 overview.md     ← 讲首导语 + 节一览表 + 本讲地图
节页   secNN.md        ← 动机 → 定义 → 直觉 → 推导 → 例题 → 代码 → 陷阱 → 即时自测
讲末   summary.md      ← 节一览 + 一条主线 + 三句话带走 + 与后续连接
       errata.md       ← 对照母本的补注 + 术语译误 + 时效补注
       exercises.md    ← A 概念 / B 推导 / C 编程 / D 开放（附答案与验收标准）
       checklist.md    ← 学习目标自检表（含依据与习题编号）
       recall-cards.md ← 闭卷回忆卡（定义/结论/公式/陷阱四组）
       mock-exam.md    ← 闭卷计时自测卷（含评分标准与漏点定位）

读法：第一遍读「直觉」建立手感，跳过所有折叠的证明框；二刷再逐行补推导。每节末尾的「陷阱」与「即时自测」务必看——考试与实战里出错最多的就是那几条。

阅读节奏建议

目的	读法
第一次系统学	1 → 2 → 3 → 4 → 5 → 6 → 7 → 8 → 9，每讲后做对应 Lab；每讲结束做一次自检表
只为项目做准备	重点读 1 导览（范式）、2.4–2.5（注意力）、4 导览（生成）、9.5–9.6（训练），再做 Lab 3
时间很紧	只读每讲的「10 分钟复习版」+ 公式速查卡 + 速查背记卡
面试 / 答辩前	面试与答辩竞技场三轮 + 综合自测卷
要上手做工程	工程工具箱 + 最小必读路径 · 路线 5

每讲配一条「第二课堂」（建立直觉的交互式资源）

正讲讲原理，这些页面负责给手感——每讲挑一个，玩 10 分钟胜过读十页：

讲	推荐入口	它能给你什么
1	TensorFlow Playground	亲手调层数/激活/学习率，实时看决策边界变化
2	Transformer Explainer	在浏览器里跑 GPT-2，看注意力与采样参数的作用
3	CNN Explainer	逐层看卷积核与特征图
4	Diffusion Explainer	文生图流水线（文本编码器 → U-Net → VAE）逐步可视化
5	Spinning Up（OpenAI）	概念—公式—代码三件套的 RL 导览
6	LLM Visualization	3D 走查 GPT 的权重与数据流
7	Distill · Circuits	机制可解释性的经典交互长文
8	AlphaFold 官方解读（数据库）	看真实结构预测结果长什么样
9	TorchTitan 示例	官方 3D 并行最小可复现配置

更多资源见延伸阅读地图（课程、论文、开源项目）与附录 B（工具与框架）。

九讲之间的依赖

第 1 讲是地基：反向传播、损失、优化器、正则化在第 2–9 讲反复出现。
第 2 讲的注意力是第 6、9 讲的底座（LLM、VLA、并行训练都在它之上）。
第 4 讲的重参数化与噪声预测在扩散、流匹配、VLA 的动作生成里都会复用。
第 9 讲的显存与并行决定第 6 讲的模型能不能训、Lab 3 能不能跑。
第 7 讲不是「附加题」：它给出的是做前面所有事情时的约束（数据、评估、上线）。

每讲页首的「10 分钟复习版」给出本讲骨架；缺什么先补什么。