学前导读：神经网络基础这一章到底在学什么

这一章解决的是一个根本问题：

神经网络到底为什么能学起来？

这一章的主线

如果这一章学稳，后面 PyTorch 和各种网络结构都会更容易看懂。

这一章更适合新人的学习顺序

1. 先看神经元和激活函数
   先理解一层里到底发生了什么。

2. 再看前向传播和反向传播
   先看模型怎样算输出，再看它怎样改参数。

3. 再看优化器
   理解“知道梯度”之后，参数到底怎么更新。

4. 最后看正则化和初始化
   理解为什么训练能不能稳、能不能泛化，往往取决于这些工程细节。

学这一章时最该先抓住什么

• 一个神经元本质上就是：线性变换 + 非线性激活
• 多层网络本质上就是：重复很多次这种结构
• 训练本质上就是：前向算输出，反向算梯度，再更新参数

新人最容易卡住的地方

• 把“神经元”“层”“网络”三个层次混在一起
• 只记住公式，不知道每一步在改什么
• 看到 loss.backward() 就直接跳过，不知道它到底在算什么

如果你能把这三件事讲清楚，这一章就已经学得很扎实了。