[{"content":"今天学了什么 感知机可以先直觉地看作一个“带权投票器”：每个输入都有不同票重，加权总分越过阈值时输出 1，否则输出 0。\n核心概念 对输入 $x_1, x_2, \\ldots, x_n$，先计算加权和：\n$$ z = \\sum_{i=1}^{n} w_i x_i + b $$再通过阶跃函数得到输出：\n$$ y = \\begin{cases} 1, \u0026 z \u003e 0 \\\\ 0, \u0026 z \\le 0 \\end{cases} $$这里的 $w_i$ 决定每个输入的重要程度，$b$ 用来平移决策边界。\n我的理解 类比里的“投票”只解释了加权求和，不代表感知机真的理解每张票。准确地说，单层感知机是在输入空间中寻找一个线性决策边界。\n逻辑门 单层感知机能否表示 原因 AND 能 两类样本线性可分 OR 能 两类样本线性可分 XOR 不能 无法用一条直线分开 代码 / 实验 def and_gate(x1: int, x2: int) -\u0026gt; int: weights = (0.5, 0.5) bias = -0.7 score = x1 * weights[0] + x2 * weights[1] + bias return int(score \u0026gt; 0) 这个例子验证的是前向计算，不是训练过程；权重和偏置仍然是手工选择的。\n我之前理解错的地方 “感知机能实现逻辑门”不等于“一层感知机能实现任意逻辑”。XOR 正好暴露了单层线性模型的边界。\n总结 感知机最重要的价值不是功能强，而是把神经网络的三个基本零件摆在桌面上：输入、参数和非线性输出。\n","permalink":"https://lin100101.github.io/posts/fish-book-perceptron/","summary":"用感知机理解加权输入、阈值和线性决策边界。","title":"Fish Book 学习记录：感知机"},{"content":"你好，我是 Lin100101。\n这里不是前端练习场，而是我长期记录 AI 学习过程的地方。我会把注意力放在概念理解、代码实验、错误修正和阶段复盘上。\n当前重点包括：\nDeep Learning 与模型训练基础 PyTorch CS224N 与 CS336 LLM、Transformer、Multimodal 与 Embodied AI 考研数学、408 与英语 代码与其他项目见 GitHub。\n","permalink":"https://lin100101.github.io/about/","summary":"关于作者与这个学习博客。","title":"关于"},{"content":"过去的学习更偏向“把模型或 Agent 用起来”。这能快速做出东西，却不足以回答更底层的问题：模型为什么能学到表示，训练为什么会失败，实验结果又该怎样解释？\n重新系统学习 Deep Learning，不是把已经见过的名词再背一遍，而是补齐三个环节：\n可解释的直觉：先说清一个机制想解决什么问题。 准确的数学与代码：让直觉接受公式和实验的检验。 可复现的结论：记录条件、结果，以及与预期不一致的地方。 这个博客会保留“我当时怎样理解”的痕迹，包括错误和修正，而不只展示整理后的标准答案。\n当前主线是 Fish Book → PyTorch → CS224N → CS336。技术栈会尽量保持不变，把精力留给内容。\n","permalink":"https://lin100101.github.io/posts/why-relearn-deep-learning/","summary":"从会调用模型，走向真正理解训练、表示与优化。","title":"为什么我要重新系统学习 Deep Learning"},{"content":"这篇文章记录学习路线背后的判断。\n为什么这样排序 Fish Book 先建立神经网络的基本直觉；PyTorch 把直觉变成可训练、可调试的程序；CS224N 把这些能力带进 NLP 和 Transformer；CS336 再向训练系统与从零实现语言模型推进。\nFish Book ↓ PyTorch ↓ CS224N ↓ CS336 ↓ Research / LLM / Embodied AI 路线不是进度条 这是一张导航图，不是必须严格通关的游戏关卡。后面的课程暴露基础缺口时，可以回到前一阶段做针对性补课；但不因为一个细节没吃透，就无限延迟真实实验。\n怎样记录 每篇文章尽量回答四件事：\n今天真正理解了什么？ 哪段公式或代码支撑这个理解？ 之前哪里想错了？ 下一步最小的验证是什么？ ","permalink":"https://lin100101.github.io/posts/ai-learning-roadmap/","summary":"为什么按 Fish Book、PyTorch、CS224N、CS336、Research 的顺序推进。","title":"我的 AI Learning Roadmap"}]