> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-er-bu-fen-he-xin-ji-shu-jie-xi/05_deep_learning/summary.md).

# 本章小结

本章深入解析了深度学习的核心原理，从神经网络基础到关键技术，再到主流架构和实践挑战。

## 核心要点回顾

**神经网络基础**

* 人工神经元模拟生物神经元：接收数字 -> 加权求和 -> 激活函数 -> 传递结果
* “深度”就是网络的层数，每一层把信息进行一次抽象
* 激活函数（如 ReLU）引入非线性，让网络能模拟复杂事物
* 亿万个简单神经元连接起来，可以产生“涌现”现象

**深度学习训练**

* 梯度下降：在“黑夜里下山”，沿着下坡方向更新参数
* 学习率：步子太大会震荡，步子太小会太慢，最佳策略是“先快后慢”
* 局部最优陷阱：SGD 和 Adam 等方法通过加“惯性”来跳出小坑

**主流架构**

* CNN（卷积神经网络）：计算机的“眼睛”，专为图像而生
* RNN（循环神经网络）：计算机的“耳朵”，用于序列数据，但记性不好
* Transformer：全能的“大脑”，用注意力机制“一目十行”，是当前的大一统架构

**深度学习的局限性**

* 黑盒问题：无法解释内部推理过程，对关键领域是合规风险
* 能耗问题：训练顶级大模型需要极高电力和算力成本
* 数据饥渴：对海量高质量标注数据极度依赖
* 灾难性遗忘：学习新任务时容易遗忘旧知识
* 幻觉问题：AI 会一本正经地编造假答案

## 下章预告

下一章将专门介绍大语言模型（LLM），深入解析 ChatGPT、Claude 等模型背后的技术原理，从 Transformer 架构到预训练与微调方法，帮助读者理解生成式 AI 的核心技术。

***

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/ai_beginner_guide/issues) 或 [PR](https://github.com/yeasy/ai_beginner_guide/pulls)。