这是 Stanford CS229: Machine Learning（Spring 2026）的两讲剪辑合集，由马腾宇（Tengyu Ma）教授授课，并配有中英双语硬字幕。
前半部分：Lecture 14 — Transformers, In-Context Learning
从自回归语言模型讲起，覆盖 Tokenization、BPE、Embedding、Next-token Prediction、Softmax、温度采样、Transformer、单头/多头 Attention，以及 FlashAttention。
后半部分：Lecture 7 — Neural Networks 1 (Architecture)
讲解非线性监督学习、回归与分类、交叉熵、梯度下降与 SGD、反向传播、ReLU、MLP 和神经网络架构。
时间轴：
00:00 大语言模型与自回归生成
08:24 BPE Tokenizer
13:42 Embedding
28:28 温度与采样
38:57 Transformer 整体结构
42:40 单头 Attention
01:05:54 多头 Attention
01:16:00 FlashAttention 与计算效率
01:16:45 Neural Networks 1
01:30:13 交叉熵
01:36:56 梯度下降与 SGD
01:50:40 梯度计算与反向传播
01:53:50 ReLU 与激活函数
02:02:24 神经网络层
字幕由自动识别、翻译及校对整理，难免存在疏漏，欢迎在评论区指正。
本视频为转载整理，仅供学习交流。版权归 Stanford University、Stanford Online 及原作者所有，如有侵权请联系删除。
