进阶篇—现代网络

全连接网络虽然通用，但在处理图像、文本等高维且具有结构特征的数据时显得力不从心。现代深度学习的爆发，源于我们学会了将数据的“归纳偏置”（Inductive Bias）注入到网络结构设计之中。

本部分将带领读者进入现代架构的殿堂。我们将看到卷积（Convolution）如何利用空间的局部性与平移不变性来理解图像，循环（Recurrent）如何利用时间的序列性来理解语言，以及注意力机制（Attention）如何打破时空限制，利用全局关联重构了我们对序列建模的认知。

学习路径：

• 通过 CNN 架构（从 LeNet 到 ResNet），掌握计算机视觉中特征提取与层级抽象的范式。
• 通过 RNN 与 LSTM，学习如何捕捉序列数据的短期与长期依赖。
• 剖析 Transformer 与注意力机制，理解这一开启大模型时代的核心技术如何运作。