(一） 介绍

（二） 损失函数

（三） CNN

（四） RNN

(五） Transformer架构

（六） GPT

（七） 幻觉问题

（八） RAG

（九） MCP

（十） Skills

第一篇链接回顾: 大模型的原理学习（一）

在第二篇中，我们开始学习下损失函数和拟合的概念。

拟合与损失函数

如何判断拟合的好不好？

损失函数或者代价函数（损失函数的平均值）

损失函数：

1、 均方误差

2、 二分类交叉熵

如何优化？

梯度下降法

目标：使得代价函数尽可能小，那就要求偏导

函数 =

经过激活函数=

① 计算损失函数 ，选用二分类交叉熵 得到

② 对损失函数中的 w 和 b 求偏导，偏导的作用代表的就是参数变化最快的方向，设置一个步长（学习率 η）

③ 更新参数：每经过一次计算，得到一个 W 和 b 就带入一下计算损失函数，看看损失函数有没有变小，如果变小了，说明本次 w 和 b 的调整是有效的，就更新 w 和 b

④ 继续重复 ①~③ 步骤，直到损失函数达到最小。

在神经网络中，是如何通过一层层隐藏函数，最终找出最优的输出？

前向传播：根据输入 x 计算出预测值 y

反向传播：计算预测值与实际值的损失函数，进行梯度优化

链式法则

第三篇，我们将开始学习卷积神经网络的原理

卷积神经网络（Convolutional Neural Network, CNN）

前面我们都是以一个输入经过神经网络得到一个输出为例，那么当输入很多的时候，神经网络面临什么问题呢？