02 深度学习介绍【动手学深度学习v2】 - 跟李沐学AI
🔗资源链接
02 深度学习介绍【动手学深度学习v2】_哔哩哔哩_bilibili
✍我的笔记
以下是根据你的深度学习感悟整理的结构化学习笔记，结合核心概念与应用场景进行模块化总结：
一、深度学习核心技术模块
-
计算机视觉基石
- 图像分类：ImageNet 竞赛推动 CNN 发展（AlexNet、ResNet）
- 风格迁移：通过 VGG 网络分离内容/风格特征（如 Prisma 滤镜）
- 生成式 AI：Diffusion 模型实现文生图（Stable Diffusion）、GAN 生成对抗网络
-
自然语言处理突破
- 语言生成：Transformer 架构（GPT 系列、BERT）
- 多模态模型：CLIP 图文对齐训练（DALL·E 3 核心技术）
-
时序数据处理
- 自动驾驶：Tesla HydraNet 多任务学习架构
- 语音识别：RNN/LSTM 时序建模（如 Siri 唤醒）
二、典型应用场景对照表
| 应用领域 | 技术实现 | 算法类型 |
|---|---|---|
| 手机图像识别 | 轻量化 CNN（MobileNet） | 监督学习 |
| 搜索引擎推荐 | BERT 语义理解+协同过滤 | 自监督/无监督混合 |
| AI 绘画 | Stable Diffusion 潜在扩散模型 | 生成式模型 |
| 自动驾驶决策 | 多模态融合 BEV+Transformer | 强化学习/模仿学习 |
| 广告点击预测 | Wide & Deep 推荐系统 | 监督学习（CTR 预估） |
三、AI 团队角色分工矩阵
-
领域专家（Domain Expert）
- 需求锚定：医疗 AI 需医学知识沉淀
- 数据标注：设计符合场景的标注规则
- 效果验证：A/B 测试设计
-
数据科学家（Data Scientist）
- 特征工程：构建用户行为时序特征
- 模型选型：在 XGBoost 与 DIN 推荐模型间抉择
- 评估体系：设计 NDCG@K 等业务指标
-
AI 工程师（ML Engineer）
- 工程化：TF Serving 模型服务部署
- 优化：模型蒸馏/量化加速
- 监控：构建模型漂移检测系统