第1章 · 基础概念

第 1 章 · 基础概念

章节摘要：微调是"站在预训练模型肩膀上再训练"，理解它需要先补三块地基：机器学习与深度学习的基本框架、参数训练是怎么回事、微调在整个流程里的位置。本章用通俗方式把这三块讲清，并回答一个关键问题——为什么要微调而不是从零训练。

先说结论

阅读完本章，你应当能够：

1. 复述机器学习与深度学习的基本流程
2. 说清训练、参数、损失函数的关系
3. 理解微调与全量训练的差异
4. 判断"什么时候该微调"
5. 建立训练视角下的模型认知

核心概念速览

一句话记住本章：微调 = 给"通才员工"做专项培训，比从零培养一个新员工便宜得多——这就是微调存在的全部理由。

微调学习地图

子章节导航

1.1 机器学习基础

机器学习流程、三种学习方式与数据/模型/评估的关系。

1.2 深度学习基础

神经网络的结构、训练机制与深度学习的适用范围。

1.3 参数训练概述

参数、损失函数、优化器——训练三要素与一次训练迭代的完整过程。

1.4 模型微调概述

微调的定义、与全量训练的对比，以及"什么时候微调"的决策逻辑。

子章节之间的逻辑关系

机器学习(1.1) → 深度学习(1.2) → 参数训练(1.3) → 模型微调(1.4)
   基础             结构            机制            应用
​

前三节是"训练"的三块地基，第四节把三块地基用在"微调"这个具体任务上。

前置知识与后续延伸

• 前置：Python 基础；对 PyTorch/Hugging Face 有概念更好，无则随学随查
• 为后续铺垫：本章的训练机制是第 2 章微调策略、第 3 章参数训练的理论基础

本章学习建议

本章是地基，节奏放慢一点：把机器学习的损失函数、梯度下降和深度学习的反向传播这三件事彻底想明白，后面所有章节都建立在它们之上。建议边读边在纸上画出"数据 → 模型 → 损失 → 梯度 → 更新"的闭环，再对照书中的代码把一次完整训练跑通，这比记住任何公式都重要。