我读过的 AI 书和课程：一句话结论清单

入门这一年多，材料选错了几次，浪费的时间不比学成的少。这份清单按"我实际用完的程度"排序，每条三行：讲什么、适合谁、我读到哪。

一、书

《动手学深度学习》（Dive into Deep Learning，d2l.ai） 讲什么：从线性回归一路到 Transformer，每节配可运行代码。 适合谁：想真正理解而不是只会调包的人。数学门槛不高，但要求你肯一行行跑。 我读到哪：前 10 章细读并跑完代码，Transformer 那章反复看了三遍，后面 NLP 部分当参考书查。 一句话：如果只推荐一本入门，我推这本。免费、中文、代码能跑，这三点同时满足的不多。

《统计学习方法》（李航） 讲什么：SVM、决策树、HMM、EM、提升方法等经典模型的数学推导。 适合谁：想补"深度学习之前机器学习在干什么"的人。 我读到哪：支持向量机和 EM 两章精读，其余查阅。 注意：它不讲神经网络。我一开始指望用它入门深度学习，方向错了，白啃两周。

《大规模语言模型：从理论到实践》 讲什么：预训练、对齐、量化、评测、推理加速的体系化整理。 适合谁：已经会调包、想搞清训练与部署全流程的人。 我读到哪：训练与评测部分精读，量化章节配合实际部署反复对照。 一句话：作为"把散落知识串成一条线"的书很好，作为第一本入门会偏难。

《深度学习》（花书） 讲什么：数学基础、经典模型、优化。 适合谁：当字典用。 我读到哪：只精读了线性代数和概率两章。 注意：我最初拿它入门，这是这份清单里最浪费时间的一个决定。它不是教材，是参考书。

二、课程与视频

3Blue1Brown 的神经网络系列 讲什么：反向传播、梯度、注意力的几何直觉，全程动画。 适合谁：所有人，尤其是被公式劝退的人。 时长：每集十几分钟，一个下午刷完。 一句话：它不能替你学会任何能写代码的东西，但它建立的直觉后面很难被替换掉。

Andrej Karpathy 的 "Let's build GPT / Zero to Hero" 系列 讲什么：从零手写一个 GPT，tokenizer、attention、训练循环全部自己实现。 适合谁：会 Python、想彻底搞懂 Transformer 的人。 我读到哪：跟完到能独立默写一个最小 GPT（不算调优部分）。 一句话：这个系列是我从"知道"到"明白"的分界点，代价是最花时间的一个，我大概花了三个周末。

Hugging Face LLM Course 讲什么：transformers 生态实操——分词器、微调、数据集、部署。 适合谁：准备动手做具体任务的人。 我读到哪：前 7 节做完，后面按需。 一句话：偏实操手册，配合项目读效果最好，纯刷课容易忘。

CS231n / CS229（公开课） 讲什么：计算机视觉与经典机器学习。 适合谁：想系统性补基础、时间充裕的人。 我读到哪：只挑了相关讲座看，没跟完作业。 诚实说明：没跟完作业我就不宣称"学过"，这里只算"看过部分内容"。

三、论文（我重读过两次以上的）

读法上我吃过一个亏：一开始试图每篇从头读到尾。后来改成先读摘要和图 → 再读方法与实验设置 → 只在需要复现时读附录，效率差别很大。二手解读不是不能看，但它替你做的简化，恰好通常是关键处。

四、我的一点点方法

• 一次只跟一条主线。同时开三门课的结果是三门都停在第一章。
• 读完必须留下能跑的东西。跟完一个章节不写代码，两周后归零。我现在的规矩是每读一节就提交一份可运行笔记。
• 建一份"我还没搞懂"的清单。它比进度更能说明学到哪了。我这份清单目前还有三十多条，最靠前的三个：长上下文的注意力实际行为、约束解码的实现细节、多模态对齐训练的数据构造。
• 允许跳过。花书我跳过了大半，没有任何损失，因为它对我当前的问题没有答案。