🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
🔗
链式法则的力量反向传播本质就是链式法则的自动化。一个10层网络的梯度计算需要10次链式法则的连乘——手算几乎不可能，但autograd可以在毫秒内完成。更神奇的是，整个反向传播的计算量和前向传播几乎一样，这是O(n)复杂度的算法奇迹。
一句话总结
💡
完整示例展示从前向传播到损失计算、反向传播求梯度、梯度下降更新的完整神经网络训练流程。
常见误区
这些坑别踩
✗
误区 1
理解反向传播只需记住公式即可。
✓
正确理解
反向传播需要结合具体示例理解数据流和梯度流，公式只是形式，理解每一步的物理意义才能真正掌握。
✗
误区 2
一次前向和反向传播就能训练好模型。
✓
正确理解
训练需要多次迭代(epoch)，每次遍历数据后更新参数，逐步逼近最优解，单次更新远远不够。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
从零训练一个神经网络的基本步骤顺序是？
2
参数初始化对训练的影响，下列说法正确的是？
3
训练过程中如何判断模型是否过拟合？
4
一个 epoch 的含义是？
面试经典题
共 4 题 · 先思考再看答案
1
基础
请完整描述从零训练一个小型神经网络的全流程。
2
中等
训练神经网络时如何选择超参数？有哪些调参经验？
3
困难
如何诊断训练中的问题（欠拟合、过拟合、梯度异常）并采取对策？
4
中等
为什么需要划分训练集、验证集和测试集？三者的作用分别是什么？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺