学习路线不是一直往前冲。每完成一个阶段，都需要用总结、概念地图和综合练习把知识重新压实。
这是整条路线的入门底座。前 18 篇负责建立 AI、机器学习、深度学习和 PyTorch 训练流程的基本认知，第 19-20 篇负责让读者先看见一个中文文本分类项目怎样端到端跑起来。
能说清 AI、机器学习、深度学习、PyTorch 训练流程和一个中文文本分类项目的大致链路。
前面 1-20 篇已经见过梯度下降、损失函数和训练流程。现在退一步，用最简单的模型把“数据 → 训练 → 评估 → 选择”这条主线彻底走通。这是回顾加深，不是突然倒车。
拿到一份结构化表格数据，独立完成清洗、特征工程、建模、评估、模型选择和保存，并用规范流程比较多个算法。
第 19-20 篇是端到端体验，本阶段是逐环节吃透。不是重讲，而是把中文文本分类的每个关键步骤拆开、讲透、能复用。
从一份原始中文文本出发，独立完成清洗、分词、向量化、训练、评估、保存和演示页面，并能解释每个环节为什么这么做。
本阶段补齐实际训练需要的张量操作、自动微分、优化器家族和训练排错能力。它决定你能不能独立读懂任何 PyTorch 训练脚本，并诊断常见训练问题。
独立搭建一个 PyTorch 训练脚本，正确处理 Shape、device、梯度清空、优化器选择和学习率策略，并能根据 loss/accuracy 曲线诊断训练问题。
前面阶段已经补齐 PyTorch 训练脚本和诊断能力。本阶段开始把知识放进完整项目里，让读者从数据到推理形成可复用的工程流程。
能独立完成一个完整深度学习项目，从数据到推理全流程，并整理出可复用的项目目录结构。
前面已经完成图像与表格的深度学习项目。本阶段把文字转成可训练的序列输入，先理解分词与词表，再学习序列模型。
能把中文文本处理成序列数据，用 FastText、RNN 或 LSTM 完成分类或字符级生成，并解释输入规则和词表的关系。