Shape 是深度学习最重要的数据契约
深度学习代码 80% 的报错都是 Shape 不匹配。但 Shape 不只是维度对齐，它是模型每一层之间的数据契约。这篇把 batch、特征、类别维度和常见的 Shape 流水线一次讲透。
深度学习
和「深度学习」相关的文章都收在这里，方便沿着同一个主题继续读下去。
标签归档
同一主题下的内容，会更容易看出思路是怎么慢慢长出来的。
Tensor 进阶：dtype、device、索引和切片
补齐 PyTorch 实际训练中最常用的 Tensor 操作：数据类型、设备迁移、索引、切片和布尔筛选。
PyTorch 自动微分是什么？理解 requires_grad 和 backward
从一个最小例子理解 PyTorch 如何记录计算过程、自动求梯度，以及为什么训练前要清空梯度。
前向传播与反向传播到底在做什么？
用“预测、算错、追责、更新”串起一次神经网络训练，并用最小 PyTorch 代码看清 forward、backward 和 step 的分工。
AI、机器学习、深度学习和生成式 AI 有什么区别？
用一张由大到小的知识地图，讲清 AI、ML、DL 和生成式 AI 之间的包含与交叉关系。
神经网络到底是什么？一篇给 AI 初学者的入门解释
不从公式开始，而是从“机器怎样学会判断”这件事讲起，把神经网络、神经元、参数、训练和预测串成一条清楚的线。
激活函数是什么？为什么神经网络不能没有它
激活函数让神经网络拥有非线性表达能力。没有它，再多层网络也可能只是一个更复杂的线性模型。
损失函数是什么？模型为什么要算自己错多少
损失函数像训练过程里的成绩单，告诉模型预测结果和真实答案之间差了多少。
CrossEntropyLoss 详解：分类任务为什么常用它
CrossEntropyLoss 常用于分类任务，它关注的不只是模型有没有猜对，还关注模型对正确类别有多自信。
梯度下降算法是什么？参数到底怎么一步步更新
梯度下降可以理解成沿着损失函数的坡度往低处走，目标是找到让模型错误更小的参数。