第 6 周：微积分基础

太棒了恭喜你挺过了前面的代码与数据处理的“体力活”正式踏入了 AI 的“内功心法”阶段。在深度学习尤其是反向传播算法中微积分并不是用来让你手算复杂证明题的而是为了让你看懂模型是如何学习和优化的。这周我们完全贯彻你的要求重几何直观、重物理意义、绝不刷偏题怪题。以下是为你量身定制的微积分极简学习路线 核心概念一导数 (Derivative) —— 函数的“速度表”几何意义想象一条曲线导数就是曲线上某一点的切线斜率。它反映了函数在这一点的瞬时变化趋势。如果导数是正的说明顺着这个方向走函数值在增加如果是负的说明在减少。AI中的作用在机器学习中我们需要衡量输入数据的微小改变会如何影响预测结果导数就是这个“敏感度”指标。 核心概念二偏导数 (Partial Derivative) —— 多变量函数的“分头行动”几何意义现实中的 AI 模型往往有成千上万个参数多元函数。偏导数就是固定住其他所有变量不动只看其中一个变量的局部变化率。你可以把它理解为沿着坐标轴方向的切片斜率。AI中的作用神经网络中有大量的权重和偏置偏导数允许我们在多维空间中独立分析每个参数对最终误差的影响。 核心概念三梯度 (Gradient) —— 寻找最优解的“导航仪”几何意义梯度是由多元函数的所有偏导数组成的一个向量。它的方向永远指向函数值增长最快最陡峭上升的方向而梯度的长度模代表了这个最大变化率的强度。AI中的作用这是深度学习的灵魂既然梯度指向误差变大最快的方向那么只要我们逆着梯度方向负梯度去调整模型的参数就能以最快的速度找到让误差最小化的谷底。这就是大名鼎鼎的梯度下降法。 本周每日拆解继续 40min 学习 20min 敲代码 周一至周二单变量与多变量导数的直观理解学习内容通过动画或图表理解导数和偏导数的几何意义了解常见的求导法则特别是链式法则它是神经网络逐层传递误差的桥梁。实操练习不需要手算复杂的极限题。尝试用 Python 的SymPy符号计算库来求导感受计算机代劳的快感。比如定义一个二次函数 f(x)x2f(x)x2 用代码求出它的导数并打印出来。 周三至周四梯度的几何意义与可视化学习内容深入理解梯度向量的方向与大小明白为什么“负梯度方向”是下山最快的路径。实操练习使用 NumPy 和 Matplotlib 画一个三维的曲面图例如一个碗状的抛物面 f(x,y)x2y2f(x,y)x2y2 。在这个曲面上随机选一个点画出该点的梯度箭头直观感受它是不是指着最陡的地方。 周五打通神经网络的“大动脉”——链式法则学习内容理解复合函数的求导过程。神经网络本质上就是一堆函数的嵌套链式法则让我们能从输出层一层层把误差“反向传播”回输入层。实操练习用一个简单的两层网络公式在纸上或用代码梳理一遍从输入到输出再从输出倒推回参数的求导链条。 周六周末实战落地2.5 ~ 3 小时实操任务【手写极简版梯度下降】前半段1.5h抛开 PyTorch 等高级框架用纯 Python 和 NumPy 实现一个最简单的线性回归。后半段1.5h手动写出损失函数的偏导数公式编写一个循环每次根据负梯度更新一次权重参数观察 Loss 值是否在不断下降。这会极大加深你对“模型是如何自己学习的”这一过程的理解。 周日复盘与知识串联2.5 ~ 3 小时实操任务【绘制 AI 优化全景图】花 1 小时整理本周笔记重点记录“导数 - 偏导数 - 梯度 - 梯度下降 - 反向传播”这条逻辑链。剩下时间回顾之前学的 Pandas 和 NumPy思考它们是如何配合这里的数学运算的。本周专属叮嘱别被公式吓倒遇到 ∇∇ Nabla算子、 ∂∂ 偏导符号不要慌把它们当成普通的加减乘除来看待。直觉大于严谨只要你能对着一个碗状的曲面说出“我要往最陡的下坡走”你这周的微积分就学到位了。结合代码验证所有的数学概念尽量用几行 Python 代码跑出来看看效果这种“所见即所得”的学习方式最适合程序员。准备好开启你的“上帝视角”了吗如果在看视频或推导时觉得哪个概念很抽象随时发给我我用大白话给你翻译