🤖AI 30 个神经网络
AI 教程网络
相关教程入口
阅读路径
按这三段读更顺
每个系列都可以先抓主线，再挑重点文章复现，最后回到问题边界和检查表。
图文优先
重点图文入口
1 引言：网络简介
第 1 篇6 张图1.6k 字这里可以当作一个小模型拆解来看：先确认它解决什么问题，再看数据如何进入网络，最后检查输出和评估方式。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
2 引言之应用场景
第 2 篇6 张图1.5k 字这里可以当作一个小模型拆解来看：先确认它解决什么问题，再看数据如何进入网络，最后检查输出和评估方式。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
3 LSTM原理解析
第 3 篇6 张图1.8k 字LSTM 的重点不在名字，而在门控如何筛掉旧信息、写入新信息，再把当前状态交给下一步。读这类文章时，把每个时间步画出来，比只看公式更容易理解。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
4 LSTM之代码实现
第 4 篇6 张图987 字LSTM 的重点不在名字，而在门控如何筛掉旧信息、写入新信息，再把当前状态交给下一步。读这类文章时，把每个时间步画出来，比只看公式更容易理解。这篇重点看实现。不要只复制代码，要把环境、输入形状、模型调用和输出解释逐项确认。
AI30个神经网络
5 BERT的架构特点
第 5 篇6 张图1.6k 字BERT 可以理解成先读完整句子，再按任务换一个小输出头。它的价值来自上下文表示，不是简单把词向量换大一点。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
6 BERT之训练技巧
第 6 篇6 张图1.5k 字BERT 可以理解成先读完整句子，再按任务换一个小输出头。它的价值来自上下文表示，不是简单把词向量换大一点。这篇重点看训练。数据处理、损失函数、优化器和日志要连成闭环，训练结果才可复盘。
AI30个神经网络
7 ResNet网络结构详解
第 7 篇6 张图1.4k 字ResNet 的关键是让信息有一条更短的路回传。残差连接不是装饰，它决定了深层网络能不能稳定训练。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
8 ResNet之优势与不足
第 8 篇6 张图1.6k 字ResNet 的关键是让信息有一条更短的路回传。残差连接不是装饰，它决定了深层网络能不能稳定训练。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
9 VGG的应用领域
第 9 篇6 张图1.3k 字VGG 的优势是结构清楚，适合作为理解卷积网络的基线。它不一定最高效，但很适合拿来解释特征逐层变抽象的过程。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
10 VGG模型评估
第 10 篇6 张图1.4k 字VGG 的优势是结构清楚，适合作为理解卷积网络的基线。它不一定最高效，但很适合拿来解释特征逐层变抽象的过程。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
11 U-Net之结构解析
第 11 篇6 张图1.3k 字U-Net 的价值在于一边压缩语义，一边把浅层细节接回解码器。做分割任务时，这条跳连通常决定边界是否干净。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
12 U-Net案例分析
第 12 篇6 张图1.3k 字U-Net 的价值在于一边压缩语义，一边把浅层细节接回解码器。做分割任务时，这条跳连通常决定边界是否干净。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
13 Faster R-CNN的基本原理
第 13 篇6 张图1.7k 字Faster R-CNN 是两阶段检测思路：先找可能有目标的区域，再细分类别和位置。它适合追求精度的检测场景。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
14 Faster R-CNN 的应用案例
第 14 篇6 张图1.5k 字Faster R-CNN 是两阶段检测思路：先找可能有目标的区域，再细分类别和位置。它适合追求精度的检测场景。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
15 GAN中的CNN结构详解
第 15 篇6 张图1.6k 字GAN 是两个网络互相较劲：生成器负责骗过判别器，判别器负责找出破绽。真正的难点通常是训练稳定性。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
16 GAN的应用实例
第 16 篇6 张图1.2k 字GAN 是两个网络互相较劲：生成器负责骗过判别器，判别器负责找出破绽。真正的难点通常是训练稳定性。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
17 CNN与RNN的特点
第 17 篇6 张图1.3k 字RNN 把序列按时间步展开，用隐藏状态保存上下文。理解它时，先把数据在每一步如何传递画清楚。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
18 CNN的应用案例
第 18 篇6 张图1.4k 字CNN 通过卷积核在局部区域提取特征，再逐层组合成更抽象的表示。图像任务里，它仍然是很多模型的基础部件。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
19 RNN之变换机制
第 19 篇6 张图1.7k 字RNN 把序列按时间步展开，用隐藏状态保存上下文。理解它时，先把数据在每一步如何传递画清楚。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
20 RNN的实际应用
第 20 篇6 张图1.4k 字RNN 把序列按时间步展开，用隐藏状态保存上下文。理解它时，先把数据在每一步如何传递画清楚。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
21 Transformer架构分析
第 21 篇6 张图1.7k 字Transformer 把序列建模从一步步递推，变成一次性看清 token 之间的关系。理解它时，先看注意力矩阵如何分配信息。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
22 Transformer之优势讨论
第 22 篇6 张图1.6k 字Transformer 把序列建模从一步步递推，变成一次性看清 token 之间的关系。理解它时，先看注意力矩阵如何分配信息。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
23 Inception之轻量化设计
第 23 篇6 张图1.5k 字Inception 的思路是让网络同时看不同尺度的特征，再把结果拼起来。它适合解释多分支结构怎样控制计算量。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
24 Inception的优化方案
第 24 篇6 张图1.7k 字Inception 的思路是让网络同时看不同尺度的特征，再把结果拼起来。它适合解释多分支结构怎样控制计算量。这篇重点看训练。数据处理、损失函数、优化器和日志要连成闭环，训练结果才可复盘。
AI30个神经网络
25 MobileNet之特征融合
第 25 篇6 张图1.5k 字MobileNet 的核心是把普通卷积分解成更轻的两步。它关注的是能不能在算力有限的设备上稳定运行。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
26 MobileNet之网络比较
第 26 篇6 张图1.5k 字MobileNet 的核心是把普通卷积分解成更轻的两步。它关注的是能不能在算力有限的设备上稳定运行。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
27 DenseNet之实时检测
第 27 篇6 张图1.5k 字DenseNet 让后面的层直接拿到前面很多层的输出，强调特征复用。它的好处是信息流顺，代价是内存要认真看。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
28 DenseNet的应用实例
第 28 篇6 张图1.2k 字DenseNet 让后面的层直接拿到前面很多层的输出，强调特征复用。它的好处是信息流顺，代价是内存要认真看。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
YOLO 分割网络 Segmentation：目标检测与图像分割入门
第 29 篇6 张图1.6k 字介绍 YOLO 在分割任务中的应用，讲清目标检测、边界框、类别预测和图像分割的关系，适合计算机视觉入门学习。
AI30个神经网络
30 YOLO之源码详解
第 30 篇6 张图1.6k 字YOLO 把检测做成一次前向预测，适合实时场景。理解它时，要把框、类别、置信度和 NMS 放在同一张图里看。这篇重点看实现。不要只复制代码，要把环境、输入形状、模型调用和输出解释逐项确认。
AI30个神经网络
31 SegNet生成模型详解
第 31 篇6 张图1.4k 字SegNet 关注语义分割中的编码解码过程，尤其是如何把压缩后的语义信息还原到像素级输出。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
32 SegNet之比较与讨论
第 32 篇6 张图1.7k 字SegNet 关注语义分割中的编码解码过程，尤其是如何把压缩后的语义信息还原到像素级输出。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
33 变分自编码器的改良架构
第 33 篇6 张图1.5k 字VAE 不是简单压缩图片，它学习的是一个可采样的潜在空间。重建质量和潜空间规整性需要一起看。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
34 变分自编码器的训练技巧
第 34 篇6 张图1.3k 字VAE 不是简单压缩图片，它学习的是一个可采样的潜在空间。重建质量和潜空间规整性需要一起看。这篇重点看训练。数据处理、损失函数、优化器和日志要连成闭环，训练结果才可复盘。
AI30个神经网络
35 Xception：高效网络
第 35 篇6 张图1.9k 字Xception 把 Inception 的多分支思想推向深度可分离卷积。看它时，要分清空间卷积和通道混合分别做什么。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
36 Xception之应用案例
第 36 篇6 张图1.6k 字Xception 把 Inception 的多分支思想推向深度可分离卷积。看它时，要分清空间卷积和通道混合分别做什么。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
37 EfficientNet之节点处理
第 37 篇6 张图1.8k 字EfficientNet 的核心是同时缩放深度、宽度和分辨率，而不是只把某一项盲目加大。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
38 EfficientNet的应用案例
第 38 篇6 张图1.4k 字EfficientNet 的核心是同时缩放深度、宽度和分辨率，而不是只把某一项盲目加大。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
39 图神经网络模型架构
第 39 篇6 张图1.5k 字图神经网络处理的是关系数据。重点不是把表格换个形状，而是让节点通过边交换信息。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
40 图神经网络之性能评估
第 40 篇6 张图1.7k 字图神经网络处理的是关系数据。重点不是把表格换个形状，而是让节点通过边交换信息。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
41 胶囊网络之关键技术
第 41 篇6 张图1.7k 字胶囊网络尝试用向量表达部件和整体的关系。它关心的不只是有没有特征，还关心特征的姿态和组合方式。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
42 胶囊网络的实际应用案例
第 42 篇6 张图1.1k 字胶囊网络尝试用向量表达部件和整体的关系。它关心的不只是有没有特征，还关心特征的姿态和组合方式。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
43 注意力机制之新兴方法
第 43 篇6 张图1.5k 字注意力机制回答的是当前信息该看哪里。无论用于文本还是图像，都可以先把 Q、K、V 的关系画清楚。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
44 注意力机制之前沿研究
第 44 篇6 张图1.7k 字注意力机制回答的是当前信息该看哪里。无论用于文本还是图像，都可以先把 Q、K、V 的关系画清楚。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
45 自监督学习之模型架构
第 45 篇6 张图1.3k 字自监督学习的关键是从数据本身制造监督信号。它适合标注少、原始数据多的场景。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
46 自监督学习之导入与应用
第 46 篇6 张图1.4k 字自监督学习的关键是从数据本身制造监督信号。它适合标注少、原始数据多的场景。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
47 深度置信网络之新型网络
第 47 篇6 张图1.2k 字深度置信网络属于较早期的深度模型思路。理解它有助于看清逐层预训练和现代端到端训练之间的差异。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
48 深度置信网络之实际应用
第 48 篇6 张图1.4k 字深度置信网络属于较早期的深度模型思路。理解它有助于看清逐层预训练和现代端到端训练之间的差异。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
49 孪生网络之训练与优化
第 49 篇6 张图1.7k 字孪生网络适合判断两个输入像不像。它的重点是共享编码器和距离学习，而不是普通分类头。这篇重点看训练。数据处理、损失函数、优化器和日志要连成闭环，训练结果才可复盘。
AI30个神经网络
50 孪生网络之模型对比
第 50 篇6 张图1.3k 字孪生网络适合判断两个输入像不像。它的重点是共享编码器和距离学习，而不是普通分类头。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
51 ResNeXt 在目标检测中的应用
第 51 篇6 张图1.6k 字ResNeXt 在 ResNet 的残差框架里加入分组卷积，让网络用更多并行路径提特征。理解它时，要同时看深度、宽度和分组数。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
52 ResNeXt实例分析
第 52 篇6 张图1.6k 字ResNeXt 在 ResNet 的残差框架里加入分组卷积，让网络用更多并行路径提特征。理解它时，要同时看深度、宽度和分组数。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
53 Pix2Pix 动态路径探索
第 53 篇6 张图1.4k 字Pix2Pix 适合有成对样本的图像翻译任务。它不是凭空生成，而是学输入图到目标图之间的映射。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
54 Pix2Pix的应用总结
第 54 篇6 张图1.5k 字Pix2Pix 适合有成对样本的图像翻译任务。它不是凭空生成，而是学输入图到目标图之间的映射。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
55 CycleGAN之神经网络
第 55 篇6 张图1.9k 字CycleGAN 的亮点是不用一一配对的数据，也能学习两个视觉域之间的转换。循环一致性约束是防止内容乱跑的关键。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
56 CycleGAN之风格重建
第 56 篇6 张图1.6k 字CycleGAN 的亮点是不用一一配对的数据，也能学习两个视觉域之间的转换。循环一致性约束是防止内容乱跑的关键。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
57 轻量级CNN之理论分析
第 57 篇6 张图1.8k 字轻量级 CNN 不是简单把层数减少，而是在精度、速度、功耗和模型大小之间做取舍。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络
58 轻量级 CNN 之模型应用
第 58 篇6 张图1.4k 字轻量级 CNN 不是简单把层数减少，而是在精度、速度、功耗和模型大小之间做取舍。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
59 空间变换网络的轻量化设计
第 59 篇6 张图1.4k 字空间变换网络让模型学会先把输入对齐，再做后续识别或生成。它适合输入姿态变化明显的任务。这篇重点看结构。先把数据流、关键模块和输出层画清楚，再回头看公式或代码。
AI30个神经网络
60 空间变换网络之场景应用
第 60 篇6 张图1.4k 字空间变换网络让模型学会先把输入对齐，再做后续识别或生成。它适合输入姿态变化明显的任务。这篇重点看应用场景。先判断任务是否真的匹配这个网络，再看数据规模、部署成本和效果边界。
AI30个神经网络
61 神经风格迁移之空间变换
第 61 篇6 张图1.4k 字空间变换网络让模型学会先把输入对齐，再做后续识别或生成。它适合输入姿态变化明显的任务。这篇先建立整体地图：它解决什么问题、核心模块是什么、适合放在哪类任务里。
AI30个神经网络
62 神经风格迁移的性能分析
第 62 篇6 张图1.6k 字神经风格迁移要同时守住内容结构和风格纹理。效果图好看不够，还要看速度、显存和可复现设置。这篇重点看评估。速度、精度、显存和可复现设置要一起记录，单个指标不能代表全部。
AI30个神经网络