EECS498：重新理解深度学习

不是重做作业，而是从你保存下来的实现、Notebook 输出和模型文件反推一条可复习的深度学习演化路线：Code → Mechanism → Mental Model → Modern Connection。

当代码已经能跑时，怎样从 shape、gradient 与实验迹象反推出模型真正学到的机制？

密歇根大学

Repository-backed personal review

历史代码 · 2022–2023

从这里开始

神经网络是一条可微函数链

已完成 0 / 14 讲 · 记录保存在当前浏览器

0 / 14讲义已完成

已完成 0 / 6 份实践
由你确认，不自动标记

读讲义，理解原理与机制。
先找输入、参数、shape 与模块 contract，而不是背 API 名称。

做推演与自测，检验理解。
把 forward、backward、optimizer state 和数值证据串成一条链。

用项目与历史代码复盘机制。
改变初始化、数据或结构，解释哪个 invariant 让模型变好或失效。

一个可微函数怎样学会预测？

空间结构怎样写进模型？

模型怎样使用上下文？

表示怎样用于新的任务？

推演与概念检查已编排在各讲中。

把理解落到可检查的推导、测试与实现证据。