基础篇

如果你是小白刚入门，先从基础篇开始学，可以快速弄懂什么是深度神经网络，反向传播算法的原理，损失函数（包括熵、交叉熵、相对熵等基础概念），训练最常用的梯度下降算法，正则化方法等核心概念，然后了解最基础的三种专用深度神经网络：卷积神经网络CNN、循环神经网络RNN和注意力机制网络Transformer模型。掌握了这些内容，你对什么是深度学习就有了一个大致的理解，好比能走马观花快速访问一座大楼一样。

进阶篇

进阶篇包括了复杂CNN、RNN和Transformer模型。

复杂RNN我们重点讲解了LSTM模型、GRU模型，它俩大量用于时序数据的建模，比如自然语言处理等。复杂Transformer，我们讲解了用于图像处理ViT模型，自然语言处理的BERT模型。概率生成式模型方面，我们讲解了三类特别典型的：生成对抗网络、变分自编码器模型VAE、AI绘画密切相关的扩散模型，以及图神经网络GNN。

大模型方面的内容就比较多了，我们先高屋建瓴给出了一个大模型进阶之路，然后讲解了提示工程、微调技术，接着详细介绍了OpenAl的GPT系列，包括chatGPT、GPT4，以及Sora模型。另外，我们还介绍了对标公司谷歌的Gemini和Anthropic公司的Claude3模型。前沿模型方面我们介绍了非常有前景的AI Agent技术，包括典型的AutoGPT，也就是用大模型当大脑的AI机器人。然后介绍了最新的KAN模型，前向前向传播技术等新方向。