深度学习项目标准模板：训练、验证、日志和配置
把散落在单文件里的 PyTorch 代码整理成可维护项目：配置、数据、模型、训练引擎、日志、检查点和推理各归其位，并保留可复现实验所需信息。
PyTorch
和「PyTorch」相关的文章都收在这里，方便沿着同一个主题继续读下去。
标签归档
同一主题下的内容，会更容易看出思路是怎么慢慢长出来的。
图像分类错误分析：混淆矩阵与错误样本
准确率只能告诉你错了多少，混淆矩阵和错误样本才能告诉你错在哪里。这篇建立一套从类别指标、混淆矩阵到高置信度错误图的分析流程。
第一个 CNN 图像分类训练项目
从数据增强、CNN、训练循环、验证指标到保存最佳权重，完整跑通一个 PyTorch 图像分类项目，并理解每一段代码为什么存在。
图像数据怎样进入网络：通道、尺寸和批次
一张普通图片进入 PyTorch 后为什么会变成 [B, C, H, W]？这篇从 PIL、NumPy、Tensor、归一化和 DataLoader 出发，把图像送进 CNN 前的完整数据流讲清楚。
CNN 入门：卷积和池化到底提取了什么
图像不能直接用全连接层处理——参数太多、丢失空间结构。CNN 用卷积提取局部特征，用池化压缩尺寸。这篇用最小代码讲清卷积核在做什么。
模型保存、加载和批量推理实战
训练好的模型不能只活在内存里。这篇讲清怎么把模型存成文件、怎么加载回来预测、怎么做批量推理，以及断点续训的完整做法。
表格分类项目：从 CSV 到神经网络预测
前面用造的数据练手，这次用真实 CSV 表格数据。从读取、预处理、模型搭建到训练评估，走完表格分类的完整流程。
决策边界可视化：模型到底学出了什么
准确率 99% 但不知道模型怎么分的？这篇把分类模型的决策边界画出来，让你亲眼看到模型在二维空间画了一条什么形状的分界线。
从零搭建二维分类神经网络：模型到底怎么分开两类点
线性回归是连续预测，分类是离散判断。这篇从零搭建一个二分类神经网络，用二维数据让你能"看到"模型怎么把两类点分开。
PyTorch 线性回归项目：从造数据到预测
前面 14 篇学了原理，现在第一次完整跑一个深度学习项目——从造数据、建模型、训练到预测。用最简单的线性回归，把全流程跑通。
怎样根据 loss、accuracy 和梯度诊断训练问题
训练 loss 不降？降了又升？训练好测试差？这篇把前面所有训练知识串成一套系统化的诊断流程，让你看曲线就知道问题在哪。
正则化、Dropout 与 Early Stopping：防止过拟合的方法地图
模型训练集准确率 99%，测试集只有 70%——这是过拟合。Weight Decay、Dropout、Early Stopping、数据增强怎么选？这篇建立完整的正则化方法地图。
PyTorch GPU 训练：模型和数据如何放到同一设备
RuntimeError: Expected all tensors to be on the same device —— 这是你用 GPU 训练时最常遇到的报错。模型在 GPU、数据在 CPU，它们碰不到一起。这篇讲清设备迁移的完整流程。
学习率决定什么：衰减策略与训练曲线
学习率是训练里最敏感的超参数——太大 loss 爆炸，太小 loss 不动。这篇讲清怎么判断学习率过大过小，以及 StepLR、CosineAnnealing 等衰减策略怎么选。
Adam 和 AdamW 为什么成为常用选择
Adam 把 Momentum 的"方向惯性"和 RMSProp 的"自适应步长"合体，开箱即用。AdamW 修复了 Adam 权重衰减的耦合 bug，成为 Transformer 的标配。
AdaGrad 与 RMSProp：学习率如何自动调整
SGD 给所有参数同一个学习率。但有些参数变化剧烈、有些几乎不动，统一步长不合理。AdaGrad 和 RMSProp 让每个参数有自己的自适应学习率。
SGD 与 Momentum：最基础的优化器怎样更新参数
梯度下降是所有优化器的祖宗。SGD 是最朴素的实现，Momentum 加了惯性。搞懂这两个，才能理解后面 Adam 在"智能"什么。
权重、偏置和参数初始化会怎样影响训练
把所有权重初始化成 0，模型直接学不动。初始化成太大的随机数，梯度爆炸。初始化是训练的起跑线，起跑线错了后面全白费。这篇讲清为什么初始化重要、常见方法怎么选。
nn.Module 详解：模型为什么要继承这个类
所有 PyTorch 模型都继承 nn.Module。但你可能不知道，它帮你做了参数注册、子模块管理、train/eval 切换、设备迁移四件大事。这篇把 nn.Module 的黑盒拆开。
DataLoader 进阶：batch、shuffle 与并行加载怎样影响训练效率
第 17 篇你学了 DataLoader 的基本用法。但 batch_size 调多大、shuffle 为什么必须开、num_workers 设几、drop_last 有什么用——这些细节决定训练是 5 分钟还是 5 小时。
自定义 Dataset：怎样封装自己的训练数据
PyTorch 内置数据集只够入门练手。真实项目里你的数据可能是 CSV、文件夹图片、JSON 文本——这时候必须自己写 Dataset。这篇把 __len__ 和 __getitem__ 讲透，附带三个真实场景。
reshape、view、transpose 和广播机制怎么选：张量形状转换实战
reshape 和 view 看起来一样，transpose 和 permute 也像兄弟，广播机制报错信息又长又看不懂。这篇用最小代码讲清它们的区别，让你不再瞎试。
Shape 是深度学习最重要的数据契约
深度学习代码 80% 的报错都是 Shape 不匹配。但 Shape 不只是维度对齐，它是模型每一层之间的数据契约。这篇把 batch、特征、类别维度和常见的 Shape 流水线一次讲透。
计算图与梯度累积：为什么训练前必须清空梯度
你写了 optimizer.zero_grad() 却不知道为什么要写。这一篇把 PyTorch 的动态计算图、叶子节点和梯度累积机制讲透，让你彻底明白"清梯度"不是仪式，是物理必然。
Tensor 进阶：dtype、device、索引和切片
补齐 PyTorch 实际训练中最常用的 Tensor 操作：数据类型、设备迁移、索引、切片和布尔筛选。
PyTorch 自动微分是什么？理解 requires_grad 和 backward
从一个最小例子理解 PyTorch 如何记录计算过程、自动求梯度，以及为什么训练前要清空梯度。
前向传播与反向传播到底在做什么？
用“预测、算错、追责、更新”串起一次神经网络训练，并用最小 PyTorch 代码看清 forward、backward 和 step 的分工。
Tensor 是什么？PyTorch 里最重要的对象讲清楚
Tensor 可以理解成更通用的数组，它承载数据、参数和梯度，是 PyTorch 训练流程的基础。
PyTorch 的 Linear 层详解：全连接层到底做了什么
Linear 层本质上是一次线性变换，它把输入特征通过权重矩阵和偏置映射到新的输出空间。
DataLoader 详解：批量读取、打乱、并行加载有什么用
DataLoader 负责把数据按批次送进模型，并处理 shuffle、batch size 和多进程加载等训练细节。
一个 PyTorch 模型训练的完整流程
从准备数据、定义模型、选择损失函数和优化器，到训练循环和验证评估，把 PyTorch 训练主线串起来。