机器学习系列导读
2026/11/13约 802 字大约 3 分钟
机器学习系列导读
这一组不是一门课,而是三层:传统机器学习打底,网络结构解释「模型长什么样」,大模型那几篇只在你要动手时才翻。
一条线
机器学习入门 ──→ CNN ──→ RNN ──→ 动手学深度学习笔记(第 10–15 章)
│
↓
你必须要了解的 Transformer ──→ HappyLLM(跑代码)
│
↓
大模型微调与部署 ──→ 多模态大模型 / 扩散模型
│
↓
必读论文清单(回看)每篇管什么
| 页面 | 什么时候看 |
|---|---|
| 机器学习入门 | 第一次系统过一遍:三大范式、回归/分类、训练技巧、决策树、无监督、强化学习。公式与 PyTorch 代码都在这一篇 |
| CNN 神经网络 | 搞清楚卷积、填充与步幅、通道、汇聚,以及 LeNet → AlexNet → VGG → NiN → GoogLeNet → ResNet → DenseNet 这条线各自解决了什么 |
| RNN 神经网络 | 序列建模:文本预处理、语言模型、RNN / GRU / LSTM、编码器-解码器与束搜索 |
| 动手学深度学习笔记 | 当工具书查:注意力机制、优化算法、计算性能与多 GPU、目标检测与分割、词嵌入与 BERT |
| 你必须要了解的 Transformer | 分词、Embedding、位置编码、多头注意力、编码器/解码器,外加「一次训练」「一次推理」两个面试题 |
| HappyLLM 笔记 | 想看代码时来:用 PyTorch 把注意力、Encoder/Decoder、BERT/GPT 搭一遍,再走一遍预训练的显存与数据 |
| 大模型微调与部署 | 要动手微调时:SFT / RLHF / RAG 的分工、LoRA 与 QLoRA、超参搜索、数据与上手资源;训练完的镜像与推理优化也在这一篇 |
| 多模态大模型 | 按论文读:ViT、CLIP、ViLT、MAE、ALBEF、VLMo、BLIP、LLaVA,以及语音与视频两条线 |
| 扩散模型与 ControlNet | 想弄懂文生图时:DDPM 的去噪过程、Stable Diffusion 的三块拼图、ComfyUI 的目录管理,以及用 ControlNet 约束构图与姿态 |
| 必读论文清单 | 决定先读哪篇论文时;它给顺序和「该重点看哪一节」 |
两条使用建议
- 不要按目录顺序读。 侧边栏按文件名排,真正的顺序是上面那张流程图。
- 遇到公式先看形状。 这一组的推导都围绕「输入输出是什么形状」展开(矩阵乘法、注意力权重、卷积输出尺寸),形状对上了,公式不用背。
想跑代码去哪
这一组是笔记,不是练习册。可运行的 notebook(回归、K-Means、PCA、DQN 等,带 PyTorch / NumPy 两种实现)在算法训练板块的 机器学习 下,两边按主题互相对照即可。