深度学习中的数学基础 🧠

深度学习依赖于数学工具，以下是关键知识点概览：

1. 核心数学基础

• 线性代数：矩阵运算、向量空间（🧠线性代数图示）
• 微积分：导数、梯度、偏导数（📊微积分示意图）
• 概率统计：概率分布、期望方差（📚概率统计解析）

2. 优化算法

• 梯度下降（Gradient_Descent）：最小化损失函数的核心方法
• 随机梯度下降（SGD）与批量梯度下降（BGD）对比
• 现代优化器：Adam、RMSProp（⚡优化算法对比图）

3. 神经网络结构

• 层叠结构：输入层→隐藏层→输出层（🧩神经网络架构）
• 激活函数：ReLU、Sigmoid、Tanh
• 反向传播（Backpropagation）算法（🌀反向传播原理）

扩展阅读

想深入了解机器学习基础？可前往 /ai/machine-learning-chinese 查看更多资源 📚