HACKER TUBES / 一条可以跟着学的路线
神经网络入门：从直觉到 micrograd
沿着 5 部精选视频，理解梯度、反向传播，并完成一个可以运行的小实验。附原创导读、练习解答与 AI 答疑。
适合会一点 Python，想理解神经网络如何训练的学习者。建议具备函数、类与基础代数知识。
导读提供英文和简体中文版本，原视频为英文。
理解前向计算。
沿着梯度反向追踪。
亲手完成一次更新。
明确的路线
5 部视频，从直觉到代码依次学习。
原创学习笔记
课前准备、观看重点与可运行示例。
练习与解答
检查理解，再完成一个小实验。
10 次 AI 答疑
基于导读答疑，生成失败不扣次数。
你的学习路线
每一步，都知道接下来学什么。
免费预览 / 第一课
建立神经网络直觉
完整展示每一课所包含的导读、练习与参考解答。
解释输入怎样变成预测，并分清“做一次预测”和“学习”的区别。
观看前准备
复习变量、函数与乘法。此时不需要实现一个完整网络。
带着这些问题观看
- 跟着一个数，观察它怎样从输入经过隐藏层到达输出。
- 区分输入数据与可以训练的参数。
- 暂停并解释：为什么只叠加线性运算，整体仍是线性函数？
一个神经元是一小段计算
先看两个输入：z = w1*x1 + w2*x2 + b。输入描述一个样本；权重和偏置是可调整的参数。激活函数再对 z 做变换。同一层中的多个神经元重复类似计算，但各自有不同参数。
预测与训练是两个步骤
前向计算使用当前参数得到输出。损失函数衡量输出与目标之间的差距。训练则修改参数，让一组样本的损失变小。只运行一次前向计算，并不会自动修改模型。
为什么需要激活函数？
多个线性映射可以合并为一个线性映射。加入 ReLU(z) = max(0, z) 这样的非线性函数后，网络能表达更多形状的函数。但表达能力强，也可能只记住训练样本；训练损失低不等于对新样本也预测得好。
x1, x2 = 2.0, -1.0
w1, w2, b = 0.5, 2.0, 1.0
z = w1*x1 + w2*x2 + b
print(z, max(0.0, z)) # 0.0, 0.0动手检查
其他数值保持不变，把 b 改为 2.0。z 和 ReLU(z) 分别是多少？训练通常调整哪些量？
查看参考解答
z = 0.5*2 + 2*(-1) + 2 = 1，因此 ReLU(z) = 1。训练通常调整 w1、w2 和 b；输入样本是数据，不是模型参数。
开始之前
购买后可以获得什么？
解锁完整 5 课原创导读、练习解答和 Markdown 笔记下载。最后一课包含可运行的 micrograd 实验，视频继续由原作者提供。
包内 AI 答疑怎么计次？
10 次答疑由 5 课共享。每成功生成一个回答扣 1 次，追问也计次。生成失败会返还预留次数。答疑依据本课原创导读与练习，不会重新分析视频画面。
次数用完之后怎么办？
已购导读仍可访问。你可以使用积分继续提问：先展示最多扣除的积分，经你确认后才会使用。不自动续费。
这些视频可以免费观看吗？
可以。原视频公开可看，你购买的是本站原创学习路线、导读、练习和附带的 AI 答疑。Hacker Tubes 与视频作者无隶属关系。