第一章 深度学习的技术演进与核心架构
1.1 从浅层网络到深度学习的范式转变
深度学习的核心在于通过多层次非线性变换自动提取数据特征，其发展历程可划分为三个阶段：符号主义时代的规则驱动（1950s-1980s）、连接主义时代的浅层网络（1990s-2000s）以及深度学习时代的端到端学习（2012年至今）。以ImageNet竞赛为例，AlexNet在2012年将Top-5错误率从26%降至15%，标志着数据驱动范式的全面崛起。
关键技术对比（表格）：
| 维度 | 传统机器学习 | 深度学习 |
|---|---|---|
| 特征工程 | 人工设计特征 | 自动特征提取 |
| 模型复杂度 | 线性/浅层非线性 | 深层非线性组合 |
| 数据依赖性 | 低（小样本可工作） | 高（需大规模标注） |
1.2 主流架构的创新与优化
- 卷积神经网络（CNN）：Re
