1神经元与感知机
设计一个判断「今天适不适合踢球」的感知机：写 3 个输入、对应权重和一个门槛值。
第 1 页 · 正面（题目）
2多层网络：为什么要深
模仿人脸识别的层次，写出「识别一只猫」的三到四层特征加工过程。
3激活函数
口算 ReLU 在 5、−2、0、100 处的输出，并说出 sigmoid 输出的取值范围。
4反向传播：链式法则的魔法
用自己的话向家长解释反向传播（可以用订正试卷的类比），家长反馈哪里没听懂。
5卷积网络CNN：看图的高手
找出生活中两个用到 CNN 视觉能力的场景，说明各自在识别什么。
6循环网络RNN：有记忆的网络
造一个含代词的长句子，说明必须记住前文哪些词才能理解代词指代谁。
7注意力机制
用 Query、Key、Value 三个角色描述一次在图书馆（或书店）找书的过程。
8词嵌入：把词变成向量
讨论：「苹果」的词向量更接近「香蕉」还是「手机」？为什么两种都可能？
9从框架到实战：PyTorch 第一课
安装 PyTorch，运行本讲的五行代码，修改 w 的值观察输出变化。
第 1 页 · 背面（答案）
参考答案（家长）：第一层找边缘和色块，第二层拼出耳朵、胡须、眼睛等部件，第三层组合成猫脸，第四层区分猫和狗。能说出「层层抽象」即可。
参考答案（家长）：例如 天气分×0.5 + 作业剩余×(−0.3) + 场地可用×0.4 − 10，结果大于 0 就去踢。重点在权重体现重视程度，数值不必精确。
参考答案（家长）：要点三个：误差从后往前传、每个权重按责任分摊、往误差减小的方向小步调整。孩子能讲清「倒着分锅」就算过关。
参考答案（家长）：ReLU 输出依次为 5、0、0、100（负数归零，非负不变）；sigmoid 输出永远在 0 和 1 之间。
参考答案（家长）：如「奶奶把伞递给了小红，因为她怕小红淋雨」——「她」指奶奶，需要记住开头的人物。重点是说清「记忆随阅读更新」。
参考答案（家长）：人脸解锁（识别面部特征）、相册按人物分类（聚类人脸）、拍照识物、扫二维码外的识图搜索等，说出两处即可。
参考答案（家长）：取决于语料——新闻科技语料里靠近「手机」，日常生活语料里靠近「香蕉」。词义由上下文统计决定，一词多义会让向量折中。
参考答案（家长）：Query 是「我想找讲恐龙的书」，Key 是每本书的书名和分类标签，Value 是书的内容；和标签最匹配的书被「高权重」选中。
参考答案（家长）：pip install torch 即可；w 中某个数调大，对应 x 那一位对 y 的贡献就变大——这正是「权重」的意义。