2025年1-2月 ｜ 拓尔思实训

时间：2025 年 1 月下旬 — 2 月 主线：拓尔思实训，围绕神经网络基础学习与文生图技术展开 同期动态：DeepSeek-R1 满血版发布

本周工作内容

本周参与了拓尔思的实训，主线围绕神经网络基础学习和文生图技术展开。实训前期系统过了一遍神经网络的原理，包括前向传播、反向传播、激活函数、损失函数这些核心环节，并配合跑了一些简单的模型示例加深理解。

文生图部分首次接触了即梦等生成模型，用提示词反复尝试出图，对扩散模型的生成效果有了直观感受。同期 DeepSeek-R1 满血版发布，我持续跟进了相关动态并做了试用，把它和手头在用的 claude 3.5 sonnet、chatgpt 4o 在推理表现上做了横向对比。

工作要点：

• 系统学习神经网络原理：前向传播、反向传播、激活函数、损失函数
• 跑简单模型示例，加深对数据流动与权重更新的理解
• 接触即梦等文生图模型，实操提示词出图
• 试用 DeepSeek-R1，与 claude 3.5 sonnet、chatgpt 4o 做推理横向对比

学习收获

这周最大的收获是把神经网络的工作机制从”听过名词”推进到了”能说清流程”。以前反向传播、梯度这些词只是概念，跟着实训实操之后，才真正理顺数据是怎么在网络里流动、权重又是怎么一步步被更新出来的。

文生图的体验也让我意识到，提示词工程本身就是一门学问，同样的模型，描述方式不同出来的画面质量能差一大截，主体、风格、构图、负面描述怎么组织都是有讲究的。

DeepSeek-R1 最让我印象深刻的是它的思考过程可视化，能直观看到模型推理时是怎么一步步拆解问题的，这对理解 AI 的决策逻辑很有启发，也让我开始关注”推理过程透明”这件事的价值。

关键认知：推理过程的透明化不只是体验加分项，更是理解 AI 决策逻辑、建立信任的重要维度。

遇到的困难及解决方法

难点一：反向传播的数学推导

实训初期反向传播的数学推导比较吃力，链式法则那一块算了几遍都没完全理顺。后来我把整个推导过程手写了一遍，配合网上找的几组动图演示反复对照，才把梯度到底是怎么层层传递的彻底搞明白。

难点二：文生图偏离预期

一开始生成的图片经常偏离预期，人物手部、背景细节各种崩。我调整了提示词的组织结构，把主体、风格、构图分层描述，再加入负向提示词排除常见瑕疵，出图质量明显改善。

难点三：DeepSeek-R1 排队拥堵

刚上线那几天服务器经常排队。我的办法是错峰在深夜使用，同时把想问的问题先整理成列表，一次性批量提问，用起来高效不少。