适合人群：
在校学生：如果你是在校学生，对AI有浓厚兴趣，并希望通过学习相关内容增强自己的实践能力，以便在未来的实习或工作中脱颖而出，那么大模型的知识将是你简历上的一大亮点。
职场新人：对于那些刚刚步入职场不久的同学，如果你想通过掌握大模型技术来提升自己的职业竞争力，无论是为了升职加薪还是寻求更好的职业发展机会，这部分内容都将是你的宝贵资产。
追求效率者：如果你希望通过“偷懒”来节省时间，获取整理好的大模型面试资料和信息，以便更高效地准备面试或学习，那么这些资源将是你的得力助手。
经验交流者：渴望与行业内的专业人士近距离交流，汲取更多实战经验，获取第一手行业信息的人群，也将从这些内容中受益匪浅。
不适合人群：
自主学习强者：对于那些已经拥有强大自我学习能力，能够独立完成AI相关知识学习的人来说，这些额外的帮助可能不是必需的。 非AI领域人士：如果你不准备进入AI相关领域，或者对AI学习没有兴趣，那么这部分内容可能并不适合你。
反向传播（Back Propagation）是深度学习中训练神经网络的一种常见算法。
反向传播算法的核心是链式法则（Chain Rule），通过计算损失函数对神经网络中每个参数的梯度，并利用这些梯度来更新网络参数，从而最小化损失函数，使网络的输出更接近实际目标值。
链式法则：反向传播的核心是链式法则的应用，它允许我们从输出层开始，逐层向前计算每个参数的梯度。
偏导数：在反向传播中，偏导数用于量化损失函数随参数变化的敏感度，从而指导参数优化。偏导数表示在多元函数中，对其中一个变量求导，而将其余变量视为常数的导数。
权重和偏置的更新：通过计算得到的梯度信息，使用优化算法来更新网络中的权重和偏置参数，以最小化损失函数。
反向传播的基本原理：通过前向传播计算预测值并计算损失，然后利用链式法则从输出层反向传播误差梯度，最后根据梯度信息更新网络权重以最小化损失。
前向传播：在前向传播过程中，输入数据通过神经网络的各层，经过加权求和与激活函数的处理，最终产生网络的输出。这一过程用于计算模型的预测值，以便与实际目标值进行比较，计算损失函数。
计算损失：将网络的输出与实际目标值进行比较，计算损失（误差）的大小。损失表示了网络输出与实际目标之间的差异。
反向传播误差：从输出层开始，利用链式法则计算损失对每个参数的梯度。这些梯度信息将被用于参数更新。链式法则是微积分中的一个基本定理，允许我们计算复合函数的导数。在神经网络中，损失函数通常是一个由多个层的输出和激活函数组合而成的复合函数，链式法则使得我们可以将这个复杂的梯度计算分解为一系列简单的局部梯度计算。
更新权重：使用优化算法（如梯度下降）根据误差的梯度信息来更新每个权重和偏置参数，以减小损失。这一步通过乘以一个学习率来控制参数更新的幅度。
