6.0 学习指南与任务单：深度学习与 Transformer 基础

主要学习路线已经放在 第 6 章入口。本页只作为练习时快速查看的清单。

一句话模型

batch 数据→模型前向→损失→反向传播梯度→优化器更新→曲线

如果代码看起来很长，先找出这六步。

预期最终输出

第 6 章结束时，你应该留下一个小证据文件夹，而不只是读完笔记：

deep_learning_evidence/
  shape_trace.txt
  training_log.csv
  loss_curve.png
  best_checkpoint_note.md
  attention_note.md
  failure_sample_note.md

如果这个文件夹还没有出现，即使页面都读完了，第 6 章也还没有真正完成。

练习清单

检查项	证据
能解释 forward、loss、backward、optimizer	训练闭环说明
能运行一个最小 PyTorch 脚本	train.py
能打印模型中的 tensor shape	shape trace
能对比训练曲线和验证曲线	曲线图片或 CSV
能解释 Attention 改变了什么	attention 说明
能完成证据包工作坊	deep_learning_workshop_run/

检查思路与讲解

这张清单的目标不是让你背概念，而是确认你能留下可检查的学习证据：

1. 训练闭环说明应包含 forward、loss、backward、optimizer 四步，并说明每一步改变了什么。
2. 最小 PyTorch 脚本应能独立运行，至少包含数据、模型、loss、optimizer 和训练循环。
3. Shape trace 要覆盖输入、关键中间层和输出，能解释 batch、channel、sequence 等维度含义。
4. 曲线或 CSV 应能支持诊断，例如过拟合、欠拟合、学习率不稳定或数据问题。
5. Attention 说明应讲清楚它如何让模型按上下文动态选择信息，而不只是写出公式。
6. 证据包工作坊应包含代码、运行日志、图表和复盘说明，方便别人复现你的结论。

证据标准

产物	应该回答什么
训练闭环说明	forward、loss、backward、optimizer step 分别发生了什么？
shape trace	tensor shape 在模型里怎样变化？
曲线图片或 CSV	模型是在欠拟合、过拟合，还是稳定变好？
attention 说明	Attention 增加了什么信息，还有什么依然困难？
失败样本记录	哪个样本失败了，这说明数据、模型还是标签哪里有问题？

留下的证据

离开第 6 章前，保留一个紧凑证据包：

形状 trace

一个模型及打印出的张量形状

训练日志

随时间变化的训练和验证损失

最佳检查点

如何选择最佳模型

注意力说明

Q/K/V、mask 和下一 token 桥接

失败样本

一个错误或较弱的预测及下一步动作

项目文件夹

可运行的证据包或 README

可以继续的信号

当你能训练一个小模型、保存训练日志、查看失败样本，并解释模型为什么变好或失败时，就可以进入第 7 章。