深度学习学习路线：从张量到完整项目

学习深度学习时，最容易陷入两个极端：只推公式却没有训练过模型，或者只会调用框架却无法解释结果。更有效的方法是让数学、代码和实验同步推进。

第一阶段：建立最小基础

数学部分优先掌握线性代数、微积分与概率统计中会直接用到的概念：矩阵乘法、梯度、链式法则、常见分布与最大似然。编程部分需要熟悉 Python、NumPy、数据可视化，以及张量的形状变化。

一个很好的检查点是：不用自动求导，使用 NumPy 写出线性回归或两层神经网络，并能解释每一步张量的形状。

第二阶段：理解训练循环

比记住模型结构更重要的是理解训练循环：

for features, labels in loader:
    optimizer.zero_grad()
    predictions = model(features)
    loss = criterion(predictions, labels)
    loss.backward()
    optimizer.step()

围绕这几行代码继续追问：为什么要清空梯度？训练和验证模式有什么区别？学习率过大或过小会出现什么曲线？这些问题能把框架 API 连接到优化原理。

第三阶段：按问题学习模型

• 图像任务：从 MLP 过渡到 CNN，理解卷积、感受野与数据增强；
• 序列任务：从 RNN 的限制出发，再理解 Attention 与 Transformer；
• 表征学习：理解预训练、微调，以及特征迁移为什么有效。

不要把“看完模型结构”当作完成。每个主题至少做一次小实验，并保留训练曲线、错误样本与参数设置。

第四阶段：完成端到端项目

一个完整项目应包含数据检查、划分策略、Baseline、训练监控、误差分析和推理流程。猫狗分类就是合适的起点：任务直观，但足以练习数据增强、CNN、过拟合判断与混淆矩阵分析。

最终产物不只是一份 Notebook，还应有一篇复盘：哪些实验有效，哪些没有，下一步最值得验证的假设是什么。