串联起深度学习的整体，以及其他领域

1、从模型拟合（收敛）数据关系出发：

2、f从简单的一层和两层连接开始，发展；被表示成

3、如何判断收敛：,即目标函数

4、如何界定任务：，表示什么？表示什么？，例如y表示房价、经济增长率、工资收入、地心引力大小、引力波的幅度等等

5、如何定义模型,也就是如何定义网络，比如CNN、RNN、Transformer等等

6、如何收集数据：,样本数据，例如：人的需求指向

7、如何训练：

      a、计算预测，

      b、计算损失，

      c、计算梯度，

      d、更新参数

8、梯度是什么？不同层的梯度？怎么计算梯度？

      计算梯度：1）链式法则；2）自动微分

9、优化算法是什么？即的设定方式，固定的，还是变化的，怎么变化。有哪些？

10、小批量数据训练，批量指大小： 

11、前向传播：计算

12、后向传播，计算梯度，更新参数

13、包括什么？1）、网络架构 2）、参数

14、参数初始化？方法

15、如何添加层？扩大net的规模？

16、更新参数的方式：，梯度

17、模型有哪些？怎么发展的？如何设计

18、生成式人工智能？

19、概率

20、过拟合指什么？

21、什么是泛化？,实际中（或者条件发生变化的时候） 的结果好使不？

22、怎么判断泛化能力？取决于验证的数据集，看的大小

23、参数与模型之间的关系？模型 = 网络架构 + 参数

24、什么叫大模型？参数规模超过10，0000，0000，10亿或更大

25、大模型的挑战？收敛并有效，好用

26、现实中训练模型所面临的挑战？梯度消失、梯度爆炸、过拟合、欠拟合、数据分布发生变化、计算量大（计算性能不够）

27、数据预处理

28、结果：想要的，

29、串联其他领域的知识，例如：信息论领域的，对目标函数或代价函数的设定，数据生成的概率，特定的模式等等，

串联的方式有：；挑选的方式，依据，设定预期方向（符合大多数人的预期方式）

30、串联数学，