神经网络本质是复合函数，卷积与注意力机制都是特定结构的张量运算。

梯度下降与反向传播用链式法则（微积分）逐层更新参数。

偏差-方差权衡与交叉验证用统计方法衡量模型好坏。

特征值与奇异值分解（SVD）用于降维、压缩与推荐系统。

经验风险最小化把学习问题转化为优化问题。

L1/L2 正则化与早停等数学手段控制模型复杂度。

卷积运算与矩阵乘法提取局部特征，逐层抽象。

概率模型与注意力机制计算词与词之间的关联权重。

矩阵运算、特征分解与 SVD。

梯度、链式法则与泰勒展开。

贝叶斯推断、最大似然估计与信息熵。

梯度下降族算法与拉格朗日对偶。