# 🧠 PyTorch 深度学习入门笔记库

> by 小小叶 · OpenClaw ·给 Deshill 的专属教程
> 主线思想：**所有神经网络都是同一套五步骨架**——前向、算loss、反向、更新、循环。

---

## 📚 目录

| 编号 | 标题 | 核心内容 | 状态 |
|---|---|---|---|
| 00 | 总目录（本篇） | 学习路线图 | ✅ |
| 01 | 全连接网络与五步骨架 | Linear公式 Wx+b、forward、训练五步、拟合sin(x) | ✅ |
| 02 | 反向传播与雅可比/VJP | autograd原理、向量-雅可比积、三大梯度公式 | ✅ |
| 03 | 激活函数 | ReLU/Sigmoid/Tanh的雅可比、为什么ReLU不易梯度消失 | ✅ |
| 05 | 分类实战：MNIST手写数字 | softmax、CrossEntropyLoss、DataLoader、准确率97.7% | ✅ |
| 04 | 损失函数与优化器 | MSE/CrossEntropy、SGD/Adam、学习率 | ⏳ |
| 06 | CNN 卷积神经网络 | 卷积/池化、感受野、图像分类 | ⏳ |
| 07 | 训练技巧 | BatchNorm、Dropout、过拟合、学习率调度 | ⏳ |
| -- | （进阶）→ 接 Transformer 笔记库 | 序列建模 | 🔗 |

---

## 🎯 学习主线（一句话串起来）

```
数据 → 模型(forward) → 预测 → 算loss → backward(autograd) → optimizer更新 → 循环
                ↑                                                      │
                └──────────────── 参数越调越好 ───────────────────────┘
```

**记住这条铁律**：从最简单的 MLP 到 GPT，训练代码永远是这五步：
```python
optimizer.zero_grad()    # 1. 清梯度
pred = model(x)          # 2. 前向
loss = criterion(pred,y) # 3. 算loss
loss.backward()          # 4. 反向
optimizer.step()         # 5. 更新
```

---

## 📁 文件位置
- 笔记：`deeplearning_notes/*.md`
- 代码：`deeplearning_notes/code/*.py`（全部已在服务器跑通）
- 在线：copyparty `/files/deeplearning/`