学习路径
学习时间： 5-10分钟
根据你的背景和目标，选择适合的学习路径。
三条学习路径
路径1：快速通道 ⚡
目标： 快速理解LLM的核心概念和应用
适合人群：
- 已有深度学习基础
- 想快速上手LLM
- 时间有限
学习内容：
- 第4章：Transformer详解（2小时）
- 第5章：LLM基础（2小时）
- 第6章：LLM应用（2小时）
- 第7章：多模态LLM（1小时）
总时间： 8-12小时
学习成果：
- ✓ 理解Transformer架构
- ✓ 能调用LLM API
- ✓ 能构建简单的RAG系统
- ✓ 了解LLM工程实践
跳过的内容：
- 第1-3章（DSP、优化、深度学习基础）
- 所有extensions（扩展内容）
路径2：完整路径 📚
目标： 从基础到应用，完整理解整个演进过程
适合人群：
- 想系统学习
- 有一定编程基础
- 时间充足
学习内容：
- 第1章：DSP基础（2.5小时）
- 1.1-1.4：基础概念（1.5小时）— 信号的三种视角、傅里叶变换、滤波器、时频分析
- 1.5-1.8：理论与应用（1小时）— 随机信号、信号检测、参数估计、矩阵分解
- 第2章：优化与机器学习 + 传统ML（3-4小时）
- 第3章：深度学习快速通道（2小时）
- 第4章：Transformer详解（2小时）
- 第5章：LLM基础（2小时）
- 第6章：LLM应用（2小时）
- 第7章：多模态LLM（1小时）
总时间： 21-32小时
学习成果：
- ✓ 理解从DSP到LLM的完整演进
- ✓ 掌握核心数学和算法
- ✓ 能实现基础的深度学习模型
- ✓ 能构建完整的LLM应用
- ✓ 了解工程最佳实践
包含的内容：
- 所有7章
- 所有代码实验
- 部分extensions
路径3：深度探索 🔬
目标： 深入理解每个概念，包括理论推导和高级应用
适合人群：
- 想成为专家
- 有充足时间
- 对理论感兴趣
学习内容：
- 所有7章 + 所有extensions
- 所有代码实验 + 修改和扩展
- 推荐论文阅读
- 深度数学推导
总时间： 40-50小时
学习成果：
- ✓ 深入理解每个概念的数学基础
- ✓ 能实现高级的深度学习技术
- ✓ 能设计和优化LLM应用
- ✓ 能阅读和理解最新论文
- ✓ 能进行研究和创新
包含的内容：
- 所有7章 + 所有extensions
- 所有代码实验 + 高级修改
- 论文阅读和讨论
- 项目实践
如何选择？
快速判断表
| 问题 | 快速通道 | 完整路径 | 深度探索 |
|---|---|---|---|
| 我有深度学习基础吗？ | 是 | 是/否 | 是/否 |
| 我有多少时间？ | <2周 | 2-4周 | 4周+ |
| 我想理解理论吗？ | 否 | 是 | 是 |
| 我想做研究吗？ | 否 | 否 | 是 |
| 我想快速上手吗？ | 是 | 否 | 否 |
根据背景选择
我是初学者（无编程基础） → 建议：完整路径 或 深度探索
- 需要从基础开始
- 建议先学第1-3章打好基础
我有编程基础但无ML经验 → 建议：完整路径
- 可以理解所有内容
- 第1-3章会帮助理解深度学习的演进
我有深度学习经验 → 建议：快速通道 或 完整路径
- 快速通道：快速上手LLM
- 完整路径：系统理解演进过程
我想成为LLM专家 → 建议：深度探索
- 需要深入理解每个概念
- 需要实践和项目经验
详细学习计划
已确定路径后，查看 全书概览 → 推荐的学习节奏 了解：
- 每天的学习流程（时间分配、学习顺序）
- 每周的学习计划（第X周应该学什么）
- 各章节的关键学习方式
学习建议
通用建议
不要跳过代码实验
- 理论 + 代码 = 深刻理解
- 修改参数看结果变化
保持笔记
- 记录关键概念
- 记录疑问
- 记录灵感
定期复习
- 每周复习上周内容
- 跨章节连接概念
加入社区
- 讨论和分享
- 学习他人的思路
遇到困难时
- 数学不懂？ → 查看 附录A：数学备忘（基础公式）或 附录D：数学基础速查表（图论/信息论等专题）
- 代码出错？ → 查看 附录C：代码运行指南
- 环境问题？ → 查看 附录B：环境配置
加速学习的技巧
- 先看代码再看理论 — 有时候代码比理论更清楚
- 用自己的话解释 — 能解释就是真的理解了
- 找到现实应用 — 将概念与实际问题联系
- 教别人 — 最好的学习方式
完成后的下一步
快速通道完成后
- 尝试完整路径中的第1-3章
- 阅读推荐论文
- 做一个小项目
完整路径完成后
- 阅读extensions中的深度内容
- 阅读推荐论文
- 做一个中等规模的项目
深度探索完成后
- 阅读最新论文
- 参与开源项目
- 进行研究或创新
推荐资源
论文
- Attention Is All You Need (Vaswani et al., 2017)
- BERT: Pre-training of Deep Bidirectional Transformers (Devlin et al., 2018)
- Language Models are Unsupervised Multitask Learners (Radford et al., 2019)
- Training Compute-Optimal Large Language Models (Hoffmann et al., 2022)
工具和库
- PyTorch — 深度学习框架
- Hugging Face Transformers — 预训练模型库
- LangChain — LLM应用框架
- OpenAI/Anthropic SDK — LLM API
社区
- Hugging Face Hub — 模型和数据集
- Papers with Code — 论文和代码
- GitHub — 开源项目
版本历史：
- v2.1 (2026-06-03) — 精简化：删除冗长的学习计划部分，链接到03_overview的推荐学习节奏
- v2.0 (2026-05-26) — 初版
下一步：
- 已确定路径 → 阅读 全书概览 了解各章内容
- 准备开始学习 → 查看 全书概览 → 推荐的学习节奏 了解每日计划