深度学习导论
这门课学什么
这门课从神经网络基础讲起，讲到序列模型、视觉、生成模型、强化学习和大模型。每年发布讲座视频、幻灯片和 GitHub 上的实验代码。
内容摘要
这门课是 MIT 寒假期间的深度学习集训营，一周讲完，每年重做一次。主线是先讲清楚神经网络怎样训练，再按数据类型展开：序列、图像、生成、决策，最后落到大模型和前沿应用。2026 版有 9 讲、3 个软件实验和 1 个项目提案环节。
前 6 讲是核心。第 1 讲从感知机（perceptron）讲到损失函数、梯度下降和反向传播。第 2 讲讲循环神经网络、注意力机制和 Transformer。第 3 讲讲卷积神经网络和视觉任务。第 4 讲讲变分自编码器、生成对抗网络和扩散模型。第 5 讲讲深度强化学习。第 6 讲讲语言模型和深度学习的边界。后 3 讲由嘉宾或讲师讲专题：AI 的社会规则、AI 用于科学研究、大规模并行训练。嘉宾讲座的题目每年不同。
3 个实验都在 Google Colab 上完成，代码在 GitHub 公开。实验 1 先熟悉深度学习框架，再训练一个生成音乐的序列模型。实验 2 训练人脸检测模型，并处理训练数据带来的偏差。实验 3 微调一个大语言模型，并评估输出质量。课程结尾是项目提案比赛，由工作人员和赞助企业评审。
学完后，你能看懂主流深度学习模型的结构，能在 Colab 上跑通训练和微调流程，也知道各方向下一步该读什么。数学只要求会求导和矩阵乘法。
讲课节奏快，幻灯片设计清楚，每讲约 1 小时。适合零基础入门，或给已有经验的人快速补全全景图。深入的数学推导需要配合其他课程。
为什么值得学
课程每年重录，内容紧跟前沿。课时短，适合作为深度学习的第一门课。
课程信息
- 学校
- 麻省理工（MIT）
- 课程号
- 6.S191
- 讲师
- 亚历山大·阿米尼（Alexander Amini）、阿娃·阿米尼（Ava Amini）
- 学期
- 2026（每年更新）
- 平台
- 课程官网
- 费用
- 免费
- 难度
- 入门
- 学时
- 9 讲 + 3 个软件实验
- 先修
- 会 Python，懂微积分和线性代数基础。
- 材料
- 视频、幻灯片、代码
- 许可证
- MIT License（课程材料）
课程大纲 · 共 13 节
大纲依据：2026 版课程表（9 讲 + 3 个软件实验 + 项目）（查看原始页面 ↗）
- 1深度学习导论Intro to Deep Learning
从单个感知机讲到多层网络，说明损失函数、梯度下降和反向传播怎样配合训练模型。
- 2深度序列建模Deep Sequence Modeling
讲循环神经网络处理序列的方法，再引出注意力机制和 Transformer。
- 实验 1软件实验 1：用 Python 做深度学习；音乐生成Software Lab 1: Deep Learning in Python; Music Generation
熟悉框架的基本操作，然后训练一个序列模型生成新的乐曲。
- 3深度计算机视觉Deep Computer Vision
讲卷积、池化和卷积神经网络的结构，以及分类、检测、分割这些视觉任务。
- 4深度生成建模Deep Generative Modeling
介绍潜变量模型、变分自编码器、生成对抗网络和扩散模型的基本思路。
- 实验 2软件实验 2：人脸检测系统Software Lab 2: Facial Detection Systems
训练人脸检测模型，观察数据分布不均带来的偏差，并尝试用生成模型缓解。
- 5深度强化学习Deep Reinforcement Learning
讲智能体、奖励和价值函数，比较基于价值和基于策略的学习方法。
- 6新前沿New Frontiers
讨论语言模型的进展和深度学习当前的局限，例如不确定性和泛化问题。
- 实验 3软件实验 3：微调一个大语言模型Software Lab 3: Fine-Tune an LLM, You Must!
对开源大语言模型做微调，并设计方法评估生成结果的质量。
- 7AI 的三条定律The Three Laws of AI
专题讲座，讨论 AI 系统在社会中运行应遵守的原则。
- 8AI 用于科学研究AI for Science
专题讲座，介绍深度学习在科学发现中的应用案例。
- 9大规模并行训练的要点Secrets to Massively Parallel Training
专题讲座，讲大模型训练怎样在多卡、多机上切分计算和数据。
- 项目期末项目与提案展示Final Project and Project Presentations
学员组队完成项目提案并公开展示，由评审打分和颁奖。