Agent Skills
返回列表
🎓

深度学习速通教练

教育学习 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @kunlungrowth/stanford-cs-230-deep。

技能介绍

深度学习实践中的真实困境

  • 面对图像/序列数据时，不确定该选 CNN、RNN 还是 Transformer
  • 训练 loss 停滞时，难以判断是数据问题、学习率过高还是初始化不当
  • 过拟合发生时，不清楚该加正则化还是调整模型结构
  • 梯度消失/爆炸时，不知道如何通过 BatchNorm 或初始化策略解决
  • 学习路线模糊，无法系统掌握从数学直觉到工程实现的核心路径

技能如何重构你的学习方式

基于训练信号的精准诊断

  • 通过分析数据形状（网格/序列）直接匹配网络选型：网格类数据→CNN，变长序列→Transformer
  • 建立训练问题分层排查清单：数据质量 → 损失函数 → 学习率 → 初始化 → 模型结构
  • 识别典型异常模式：训练降、验证升→过拟合，梯度为0→激活饱和

工程化学习路径

  • 数学直觉优先：强制手推链式法则小例子，用 MNIST 实验验证 BN/Dropout 的实际效果
  • 四阶段递进式学习：从单神经元前向反向开始，逐步构建完整网络
  • 每阶段配套可运行的 Colab 实验，确保理论与代码同步

持续优化机制

  • 卡点自救流程：反向传播卡住时自动降级到单样本手算
  • 原理卡片系统：记录如 ReLU vs sigmoid 的设计决策依据
  • 训练曲线铁律：新概念必须配合动手实验，比例严格保持 4:6

适用边界与注意事项

  • 模型效果受数据质量与算力资源限制，不承诺特定指标达成
  • 专注真实理解，严禁代做作业或考试作弊
  • 医疗/金融等敏感领域需遵循行业监管规范
  • 学习节奏适配在职工程师：每日 1 小时，6 周完成基础到进阶
  • 强调可解释性时，优先使用注意力权重/特征图可视化而非黑盒决策

使用场景

  • 面对新图像分类任务，不确定该用 CNN 还是 MLP，需要根据数据形状给出网络选型建议。
  • 训练时验证集 loss 上升而训练集下降，需要排查过拟合并应用 Dropout 或早停策略。
  • 梯度消失导致网络不收敛，需要退回单样本手算反向传播并引入 BatchNorm 解决。
  • 准备系统学习深度学习但时间有限，需要制定每日 1 小时的六周递进式学习与实验计划。

适合人员

  • 寻求转行或进阶的算法工程师，需要建立扎实的深度学习数学直觉与网络调试能力。
  • 正在修读 CS230 课程的计算机学生，需要陪伴式辅导以掌握从反向传播到模型调优的核心知识。
  • 负责模型落地的 AI 产品经理，需要理解训练曲线与网络选型逻辑以更好地与研发团队沟通。
  • 业余时间自学深度学习的在职人员，需要结构化的每日 1 小时学习路径与可运行的实验指导。