6.8.1 深度学习项目路线图：训练、检查、打包

本小章是第 6 章出口。深度学习项目不只是训练脚本，还需要数据证据、形状检查、loss 日志、预测样本、失败案例和 README。

先看项目闭环

数据集→模型→训练日志→评估→失败案例→打包

保留一份证据记录

创建 dl_project_evidence_first_loop.py。

evidence = {
    "task": "image classification",
    "baseline_accuracy": 0.71,
    "current_accuracy": 0.82,
    "failure_case_count": 5,
    "next_step": "inspect confused classes and add augmentation",
}

print("task:", evidence["task"])
print("improvement:", round(evidence["current_accuracy"] - evidence["baseline_accuracy"], 3))
print("failure_case_count:", evidence["failure_case_count"])
print("next_step:", evidence["next_step"])

预期输出：

task: image classification
improvement: 0.11
failure_case_count: 5
next_step: inspect confused classes and add augmentation

这就是项目习惯：每次改进都要有 baseline、指标、失败证据和下一步。

留下的证据

把项目打包成另一个学习者可以复现和审查的样子：

运行命令

可复现结果的准确命令

数据集说明

数据来源以及划分方式

基线

第一个简单的分数或行为

当前结果

当前指标加上成功样本

失败案例

至少三个错误或较弱示例

下一步

基于失败结果做一个改动

这样项目就不会停留在一次性演示。好的第 6 章项目应该可复现、可检查、可继续改进。

按这个顺序学

顺序	阅读	交付什么
1	6.8.2 图像分类	数据集、CNN/迁移 baseline、预测样本
2	6.8.3 情感分析	文本流程、训练日志、错误样本
3	6.8.4 生成实践	生成样本和审查记录
4	6.8.5 DL 实操工作坊	一份可复现 PyTorch 证据包

项目交付物标准

至少为一个项目保留这些文件：README.md、运行命令、数据集说明、模型摘要、loss 曲线或日志、指标表、预测样本、失败案例、下一步计划。

失败检查

在说项目完成前，回答：

Baseline

what simple method did this beat?

Metric

what number proves improvement?

Sample Success

which predictions look correct?

Sample Failure

which predictions still fail?

Debug Next

what would you change first, and why?

如果不能展示失败，项目还只是演示，不是学习作品。

通过标准

另一个学习者能运行你的项目、查看训练证据、看到成功和失败样本，并理解你下一步会怎么改，就算通过。

检查思路与讲解

1. 合格答案要把 tensor、模型层、loss、backward() 和 optimizer 更新连成一个训练闭环。
2. 证据应包含可运行的小实验、tensor shape 检查，以及能解释的 loss 或验证曲线。
3. 自检时要能指出一个失败模式，例如 shape 不匹配、loss 不下降、过拟合、数据泄漏，或只会说 Attention/Transformer 名词却讲不出数据流。