原则

从直觉映射开始理解模型

神经网络最容易进入的方式，不是先背定义，而是先看一个输入怎样被映射成输出。

原则释读

作者把神经网络拆成最小预测机和最小分类器，是为了把“学习”先落回映射关系。只要读者能看懂输入如何乘上权重、输出如何偏离目标，后面的层数、矩阵和公式才有着陆点。

没有这层直觉，神经网络很容易沦为‘会用库但不知为何有效’的操作盒。

遇到任何新模型，先画出输入、权重、输出和误差的最小流向图。

为什么最小预测机和最小分类器是这本书的真正起点？

前言奠定了整本书的阅读姿态：先用最小可算的例子理解神经网络，再逐步上升到代码、数据集、可视化和实验扩展，而不是先堆满术语。

第 1 章是全书最关键的机制层，先从最简单的线性映射入手，再一步步升级到分类器、多层网络、矩阵计算和反向传播。

封面像这本书的总入口：它提醒你，神经网络并不一定要从高门槛开始，它也可以从一张能被你手工追踪的结构图开始。

图解型图版适合快速复盘，因为它把正文里分散的建模机制压成结构，方便你随手抓回主线。

图表在这里更像训练透视图：它帮助你看见性能、变化率和参数关系，而不是只记住一句口号。