深度学习以多层神经网络为核心，通过反向传播与梯度下降自动学习特征表示，是计算机视觉、自然语言处理与推荐系统等方向的主流建模方法。
用一句话结论加五问结构讲清深度学习中神经元与感知机模型的数学形式、能力边界、激活函数与偏置的作用，并给出可运行的 NumPy 最小实现和常见坑。
本学科暂未整理专题精讲，可从教程文章开始。
本试卷聚焦深度学习的入门基础，围绕神经元与感知机模型、激活函数与非线性表达、多层网络与前向传播三个核心知识点展开，共 10 题，覆盖判断、单选、多选与填空四类题型，满分 75 分。适合刚接触神经网络的开发者做专项巩固，检验是否真正理解"为什么需要激活函数""参数量怎么算""前向传播做了什么"这些基础问题。
深度学习 之外，这些学科也常被一起考察，搭配着刷效率更高。