影片狀態：已附影片；播放未逐支確認。 影片來源與說明
本篇對應 CMU 11-785 Spring 2026 的 Lecture 1: Introduction。主要證據是官方投影片與官方 YouTube 錄影；下文只整理兩者能支持的內容，不補寫課堂問答或未公開的講者說法。
這一講處理什麼
這講的中心是神經元、感知器、連結主義與深度學習問題設定。讀的時候要把「模型或演算法的定義」、「它最佳化的目標」與「實際計算怎麼流動」分開記。前者說明允許哪些函數，第二項說明訓練偏好什麼結果，最後一項才決定記憶體、速度與數值穩定性。
課程把這個主題放在完整序列的第 1 講，因此它先建立表示與訓練的基本語言，再替後續模型提供共同元件。不要只抄名詞；每遇到一個公式，就標出輸入、輸出、可學參數與沿哪條路徑傳遞梯度。
概念主線
先用 shape 檢查理解：把每個張量的 batch 維度、特徵維度與序列／空間維度寫在公式旁。接著問運算是否共享參數、是否需要正規化，以及訓練和推論時有沒有不同。這三個問題通常能抓出「公式看懂、程式仍寫錯」的落差。
再把局部運算放回整體目標。深度學習模型不是靠單一 layer 成功；資料、表示、loss、optimizer 與評估方式共同決定行為。若某個結果改變，先固定其他條件再找原因，避免一次同時換模型、資料增強與學習率。
自己重做一次
今晚的最小練習是：用二維點與手寫閾值函式畫出感知器決策邊界。先用極小輸入手算一輪，再以 NumPy 或 PyTorch 重做，最後比較兩者。若結果不同，先檢查 shape、索引與 reduction，之後才懷疑理論。
以下是本站另設的感知器例子，不是官方作業答案。令 w=(1,1)、b=-1.5，分數 s=w·x+b，s≥0 預測 1，否則預測 0。對 x=(1,0)，s=-0.5，預測 0；對 x=(1,1)，s=0.5，預測 1。決策邊界是 x1+x2=1.5，不是模型在平面上畫出的曲線。
先自己算 (0,0)、(0,1) 的結果，再用程式核對：兩者分數分別是 -1.5、-0.5，都預測 0。最後把 bias 改為 -0.5；(1,0) 會改判為 1，因為邊界移到 x1+x2=0.5。核對判準是分數、類別和邊界位置三者一致；閾值本身沒有平滑梯度，這個例子是在檢查前向分類，不是在示範 backpropagation。
自我檢查不以「程式能跑」為標準。至少記錄一個預期不變量，例如機率和為一、loss 應下降、輸出 shape 固定，或數值梯度與解析梯度接近。這是沒有課內 hidden grader 時仍能保留的回饋迴路。
與正式作業的邊界
Spring 2026 assignment table只公開 HW1–HW4 的題名、期限與平台連結；完整 handout、starter、資料、Autolab 測試與 Piazza 說明並未形成匿名可得的同版本套件。本篇練習是依公開講授材料設計的縮小版，不是正式作業重製，也不提供答案。
需要更多操作練習時，可從官方 recitation／bootcamp table選同主題 notebook。那些公開資源是補充練習，不等於正式 HW starter。
讀完後
闔上 slides，用一張紙寫下這講的輸入、輸出、目標函數與一個失敗模式。能不看筆記說明這四項，才往下一講；否則回到剛才的小例子，縮小輸入直到每一步都能人工核對。
課程影片來源
影片連結已與本文採用版本的官方課程頁核對。
原始影片：Lecture 1 official YouTube recording
課程與錄影入口：
查核日期：2026-10-10。
內容核對：已依字幕核對（2026-10-10）：影片自動字幕全程約 83 分鐘；抽查開頭、中段、結尾並搜尋文章點名的概念（神經元、感知器、連結主義、MLP 為通用近似器），主題與講次相符，文章對影片內容的說法皆成立，未更動內文。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。即時比對官方講課表，嵌入影片與該講官方 YouTube 連結一致；播放未逐支確認。
- 2026-10-10：依字幕核對影片內容。核對字幕：主題與講次相符，文章說法成立，無需更動內文。
參考資料
Loading...