Obsidian学习笔记Markdown技能

核心理念

为学习笔记优化的Obsidian Markdown语法，强调：

• 知识连接性: 通过wikilinks建立知识网络

• 视觉层次: 清晰的结构和重点突出

• 内容组织: 高效的信息整理和检索

• 学习友好: 适合知识积累和复习的格式

语法体系

Obsidian Markdown = 基础Markdown + 知识管理扩展

• 基础: CommonMark + GitHub Flavored Markdown

• 数学: LaTeX公式支持

• 扩展: wikilinks、嵌入、提示框、属性等

学习笔记结构模板

标准笔记格式

tags: #机器学习 #概念 aliases: ["神经网络", "NN"] status: 学习中 created: 2024-01-15

神经网络基础

🎯 学习目标

• 理解神经网络的基本概念
• 掌握前向传播和反向传播
• 实现简单的神经网络

📖 核心概念

基本定义

神经网络是受生物神经系统启发的计算模型...

关键术语

• 神经元: 基本计算单元
• 权重: 连接强度参数
• 激活函数: 非线性变换

🧮 数学原理

前向传播

$$y = f(Wx + b)$$

反向传播

$$\frac{\partial L}{\partial W} = \frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial W}$$

💻 代码实现

import torch
import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        return self.fc2(x)

🔗 相关链接

- [[深度学习概述]]

- [[激活函数比较]]

- [[反向传播详解]]

📝 学习笔记

[!note] 重要提醒
理解梯度消失问题是掌握深层网络的关键

❓ 疑问与思考

- 为什么需要激活函数？

- 如何选择合适的网络结构？

📚 参考资料

- 《深度学习》- Ian Goodfellow

- CS231n课程笔记

## 格式化语法速查

### 文本强调
```markdown
**重点内容** - 粗体强调
*关键词* - 斜体强调
==高亮文本== - 黄色高亮
`代码片段` - 行内代码
~~删除内容~~ - 删除线

标题层次

# 一级标题 - 笔记主题
## 二级标题 - 主要章节  
### 三级标题 - 具体内容
#### 四级标题 - 细节说明

列表格式

## 无序列表
- 主要概念
  - 子概念1
  - 子概念2
- 相关概念

## 有序列表
1. 第一步：理解概念
2. 第二步：实践应用
   1. 子步骤2.1
   2. 子步骤2.2
3. 第三步：总结反思

## 任务列表
- [ ] 理论学习
- [x] 代码实践
- [ ] 项目应用

🔗 知识连接系统

Wikilinks基础语法

# 基本链接
[[神经网络]]                    # 链接到笔记
[[神经网络|神经网络基础]]        # 自定义显示文本
[[神经网络#前向传播]]           # 链接到特定章节
[[神经网络#^block-id]]          # 链接到代码块

块级引用和链接

# 定义可引用的块
这是重要的概念定义 ^concept-def

> 这是关键引用内容
> 包含多行说明
^key-quote

# 链接到块
[[神经网络#^concept-def|概念定义]]
[[神经网络#^key-quote|关键引用]]

知识网络构建

## 概念关系图
- **神经网络** ← [[深度学习]]的子概念
- **前向传播** → [[反向传播]]的对应过程
- **激活函数** 影响 [[梯度消失]]

## 学习路径
[[数学基础]] → [[机器学习入门]] → [[神经网络]] → [[深度学习进阶]]

嵌入内容

# 嵌入整个笔记
![[神经网络基础]]

# 嵌入特定章节
![[神经网络#数学原理]]

# 嵌入代码块
![[神经网络#Python实现]]

# 嵌入图片
![[神经网络架构图.png|400]]

Markdown-Style Links

[Display Text](Note%20Name.md)
[Display Text](Note%20Name.md#Heading)
[Display Text](https://example.com)
[Note](obsidian://open?vault=VaultName&file=Note.md)

Note: Spaces must be URL-encoded as %20
 in Markdown links.

Embeds

Embed Notes

![[Note Name]]
![[Note Name#Heading]]
![[Note Name#^block-id]]

Embed Images

![[image.png]]
![[image.png|640x480]]    Width x Height
![[image.png|300]]        Width only (maintains aspect ratio)

External Images

![Alt text](https://example.com/image.png)
![Alt text|300](https://example.com/image.png)

Embed Audio

![[audio.mp3]]
![[audio.ogg]]

Embed PDF

![[document.pdf]]
![[document.pdf#page=3]]
![[document.pdf#height=400]]

Embed Lists

![[Note#^list-id]]

Where the list has been defined with a block ID:

- Item 1
- Item 2
- Item 3

^list-id

Embed Search Results

```query
tag:#project status:done

📋 学习提示框系统

基础提示框

[!note] 📝 笔记 这是重要的学习要点

[!info] ℹ️ 信息
补充说明和背景知识

[!tip] 💡 技巧 实用的学习方法或技巧

[!warning] ⚠️ 注意 需要特别注意的内容

学习进度提示框

[!todo] 📋 待办

• 理解基本概念
• 完成代码实践
• 进行项目应用

[!success] ✅ 已掌握 这个知识点已经完全理解

[!question] ❓ 疑问 对这个概念还有疑问需要解决

可折叠提示框

[!abstract]- 📖 概要（默认折叠） 简要概述核心内容

[!abstract]+ 📖 详细说明（默认展开） 详细的理论推导和说明

嵌套提示框

[!example] 💡 示例 这里是一个具体的应用示例

[!note] 关键点 示例中的关键注意事项

自定义学习提示框

[!important] 🎯 学习重点 这是本章的核心概念

[!caution] ⚠️ 易错点
常见的错误和误区

[!help] 🆘 需要帮助 遇到困难时的求助方向

Custom Callouts (CSS)

.callout[data-callout="custom-type"] { --callout-color: 255, 0, 0; --callout-icon: lucide-alert-circle; }

Lists

Unordered Lists

• Item 1
• Item 2
  • Nested item
  • Another nested
• Item 3

• Also works with asterisks

• Or plus signs

Ordered Lists

1. First item
2. Second item
   1. Nested numbered
   2. Another nested
3. Third item

1. Alternative syntax
2. With parentheses

Task Lists

• Incomplete task
• Completed task
• Task with sub-tasks
  • Subtask 1
  • Subtask 2

Quotes

This is a blockquote. It can span multiple lines.

And include multiple paragraphs.

Nested quotes work too.

Code

Inline Code

Use backticks for inline code. Use double backticks for code with a ` backtick inside.

Code Blocks

Plain code block

// Syntax highlighted code block
function hello() {
  console.log("Hello, world!");
}

# Python example
def greet(name):
    print(f"Hello, {name}!")

Nesting Code Blocks

Use more backticks or tildes for the outer block:

Here's how to create a code block:
```js
console.log("Hello")
```

Tables

Alignment

Using Pipes in Tables

Escape pipes with backslash:

Math (LaTeX)

Inline Math

This is inline math: $e^{i\pi} + 1 = 0$

Block Math

$$ \begin{vmatrix} a & b \ c & d \end{vmatrix} = ad - bc $$

Common Math Syntax

$x^2$ Superscript $x_i$ Subscript $\frac{a}{b}$ Fraction $\sqrt{x}$ Square root $\sum_{i=1}^{n}$ Summation $\int_a^b$ Integral $\alpha, \beta$ Greek letters

Diagrams (Mermaid)

graph TD
    A[Start] --> B{Decision}
    B -->|Yes| C[Do this]
    B -->|No| D[Do that]
    C --> E[End]
    D --> E

Sequence Diagrams

sequenceDiagram
    Alice->>Bob: Hello Bob
    Bob-->>Alice: Hi Alice

Linking in Diagrams

graph TD
    A[Biology]
    B[Chemistry]
    A --> B
    class A,B internal-link;

Footnotes

This sentence has a footnote¹.

You can also use named footnotes².

Inline footnotes are also supported.^[This is an inline footnote.]

Comments

This is visible %%but this is hidden%% text.

%% This entire block is hidden. It won't appear in reading view. %%

Horizontal Rules

🏷️ 学习笔记属性系统

标准学习属性

基础信息

title: "神经网络基础" created: 2024-01-15 modified: 2024-01-20

学习管理

tags:

• #机器学习
• #深度学习
• #概念 aliases:
• "神经网络"
• "NN基础" status: 学习中 difficulty: 中等

进度跟踪

progress: 60 completed: false priority: 高 review_count: 3 next_review: 2024-01-25

关联信息

prerequisites: "[[数学基础]]" related:

• "[[深度学习概述]]"
• "[[激活函数]]" dependencies: "[[线性代数]]"

资源链接

resources:

• "[[CS231n课程笔记]]"
• "https://example.com/tutorial"

个人评分

rating: 4.5 confidence: 3 usefulness: 5

样式类

cssclasses:

• learning-note
• concept

学习标签体系

学科分类

#机器学习 #深度学习 #强化学习 #自然语言处理

内容类型

#概念 #算法 #实现 #理论 #实践

难度等级

#入门 #进阶 #高级 #专业

学习状态

#学习中 #已掌握 #需复习 #有问题

重要程度

#核心 #重点 #扩展 #选学

资源类型

#课程 #书籍 #论文 #视频 #代码

属性查询示例

table rows
  from #机器学习
  where status = "学习中"
  sort rating desc

list
  from #概念
  where difficulty = "中等"
  and priority = "高"

## HTML Content

Obsidian supports HTML within Markdown:

```markdown
<div class="custom-container">
  <span style="color: red;">Colored text</span>
</div>

<details>
  <summary>Click to expand</summary>
  Hidden content here.
</details>

<kbd>Ctrl</kbd> + <kbd>C</kbd>

🎓 完整学习笔记示例

---
title: "反向传播算法"
tags: 
  - #机器学习
  - #深度学习
  - #算法
aliases: 
  - "BP算法"
  - "Backpropagation"
status: 已掌握
difficulty: 进阶
progress: 100
rating: 5
prerequisites: "[[神经网络基础]]"
related: 
  - "[[梯度下降]]"
  - "[[激活函数]]"
created: 2024-01-15
modified: 2024-01-20
---

# 🧠 反向传播算法

## 🎯 学习目标
- 理解反向传播的数学原理
- 掌握梯度计算过程
- 实现完整的BP算法

## 📖 核心概念

### 算法定义
反向传播（Backpropagation）是训练神经网络的核心算法，通过链式法则计算损失函数对各参数的梯度。

> [!important] 🎯 关键洞察
> 反向传播的本质是**梯度从输出层向输入层传播**的过程

### 数学原理
$$\frac{\partial L}{\partial W^{(l)}} = \delta^{(l)} \cdot (a^{(l-1)})^T$$

其中：
- $\delta^{(l)}$ = 第$l$层的误差项
- $a^{(l-1)}$ = 第$l-1$层的激活值

## 🧮 算法推导

### 前向传播
```python
# 前向传播过程
def forward(X, W1, b1, W2, b2):
    z1 = np.dot(X, W1) + b1
    a1 = sigmoid(z1)
    z2 = np.dot(a1, W2) + b2
    y_hat = sigmoid(z2)
    return z1, a1, z2, y_hat

反向传播

def backward(X, y, z1, a1, z2, y_hat, W2):
    m = X.shape[0]
    
    # 输出层梯度
    dz2 = y_hat - y
    dW2 = (1/m) * np.dot(a1.T, dz2)
    db2 = (1/m) * np.sum(dz2, axis=0, keepdims=True)
    
    # 隐藏层梯度
    dz1 = np.dot(dz2, W2.T) * sigmoid_derivative(z1)
    dW1 = (1/m) * np.dot(X.T, dz1)
    db1 = (1/m) * np.sum(dz1, axis=0, keepdims=True)
    
    return dW1, db1, dW2, db2

🔄 算法流程图

graph TD
    A[输入数据] --> B[前向传播]
    B --> C[计算损失]
    C --> D[反向传播]
    D --> E[更新参数]
    E --> F{收敛?}
    F -->|否| B
    F -->|是| G[训练完成]

💡 实现技巧

[!tip] 🚀 性能优化 使用向量化运算可以显著提升训练速度

梯度消失问题

# 使用ReLU激活函数缓解梯度消失
def relu(x):
    return np.maximum(0, x)

def relu_derivative(x):
    return (x > 0).astype(float)

🔗 知识关联

前置知识

• ![[神经网络基础#数学原理]]
• ![[微积分基础#链式法则]]

相关概念

• [[梯度下降算法]] - 参数优化方法
• [[激活函数比较]] - 不同激活函数的特性
• [[优化算法进阶]] - Adam、RMSprop等

应用扩展

• [[卷积神经网络]] - CNN中的反向传播
• [[循环神经网络]] - RNN中的BPTT算法

📝 学习笔记

[!note] 📝 重要理解 反向传播不是新的学习算法，而是高效计算梯度的方法

常见误区

1. ❌ 反向传播是学习算法 ✅ 反向传播是梯度计算方法
2. ❌ 梯度总是指向最优解 ✅ 可能陷入局部最优

关键要点

• 理解链式法则的应用
• 掌握梯度计算过程
• 实现完整代码
• 分析收敛性质
• 比较不同优化器

🧪 实验验证

# 简单实验验证
import numpy as np

# 创建测试数据
X = np.array([[0,0], [0,1], [1,0], [1,1]])
y = np.array([[0], [1], [1], [0]])

# 训练网络
W1, b1, W2, b2 = train_network(X, y, epochs=1000)

# 测试结果
predictions = predict(X, W1, b1, W2, b2)
print(f"准确率: {accuracy(y, predictions):.2f}")

📚 参考资源

经典论文

1. Rumelhart et al., 1986 - 原始反向传播论文
2. LeCun et al., 1998 - 梯度-based学习理论

在线资源

• CS231n反向传播笔记
• Michael Nielsen的神经网络书籍

代码实现

• ![[BP算法完整实现.py]]
• ![[NumPy版神经网络示例.ipynb]]

❓ 思考题

1. 为什么反向传播被称为"反向"？
2. 如何理解链式法则在神经网络中的应用？
3. 梯度消失和梯度爆炸的成因是什么？

最后复习: 2024-01-20 | 下次复习: 2024-01-27

References

• Basic formatting syntax

• Advanced formatting syntax

• Obsidian Flavored Markdown

• Internal links

• Embed files

• Callouts

• Properties