这本书最大的特点，就是不依赖高级框架，从零手写神经网络，把原理讲得通透又温柔，非常适合打基础、补底层逻辑。
一、全书核心思想
1.不用 PyTorch / TensorFlow，只用 Python + NumPy
2.从最简单的感知机开始，一步步搭出神经网络
3.理论和代码一一对应，看懂就能写，写完就能跑
4.目标不是“会用工具”，而是真正理解深度学习在做什么
二、基础铺垫：Python & NumPy
这本书对新手非常友好，先把最关键的工具讲清楚：
数组、矩阵运算
广播机制
维度、形状、索引
这些是后面所有神经网络代码的基础。
三、感知机：神经网络的起点
感知机是最简单的模型，可以理解成多个输入、一个输出的线性分类器。
接收输入信号
乘以权重
加上偏置
超过阈值就输出1，否则0
它的局限：只能解决线性可分问题，
但它是理解所有神经网络的第一步。
四、神经网络：从线性到非线性
神经网络之所以强大，关键在于激活函数。
书中重点讲了：
sigmoid
ReLU
阶跃函数
核心作用：
引入非线性，让网络可以拟合复杂的现实规律。
神经网络的基本流程：
1. 输入层接收数据
2. 隐藏层加权+激活
3. 输出层给出结果
这一过程叫前向传播。
五、神经网络如何学习：核心三要素
1. 损失函数
衡量“预测值和真实值差多远”，常用：
均方误差（回归）
交叉熵误差（分类）
2. 梯度下降
沿着误差减小的方向，更新权重和偏置。
3. 反向传播
这是全书最关键的知识点：
用计算图，把误差从后往前传，快速算出梯度。
理解了它，才算真正懂神经网络学习。
六、训练神经网络的完整流程
1. 从数据中随机取一批（mini-batch）
2. 计算梯度（方向）
3. 更新权重
4. 重复迭代，直到损失足够小
书中用 MNIST 手写数字识别，带你完整跑一遍。
七、CNN 卷积神经网络
CNN 专门用于图像，核心层：
卷积层：提取特征（边缘、纹理、形状）
池化层：缩小尺寸，保留关键信息
全连接层：最终分类
读完你会明白：
为什么 CNN 在图像领域这么强。
八、重要技巧：让模型更稳、更准
权重初始化
Batch Normalization
Dropout（防止过拟合）
优化器：SGD、Adam 等
这些都是实战必用的知识点。
九、读完这本书能达到什么水平？
能手写一个简单神经网络
能讲清前向传播、反向传播
看得懂常见网络结构
能独立跑通图像分类小项目
再学 PyTorch、TensorFlow 会非常轻松
