DAY36 复习日@浙大疏锦行

📚 整体学习脉络

从工程化规范 到模型训练与推理 ，逐步完成从 "写代码" 到 "做工程" 的过渡，核心是可维护性、高效性与可解释性。

---

🔍 分日知识点拆解

DAY 30 模块和库的导入

• 核心目标：规范代码结构，避免命名冲突与冗余。
• 关键内容 ：
  • 基础导入：import torch / from torch import nn 等标准写法。
  • 别名使用：import torch.nn.functional as F 简化调用。
  • 局部导入：只导入需要的函数 / 类，减少内存占用（如 from torch.utils.data import DataLoader）。
  • 避免问题：import * 会污染命名空间，不推荐使用。

DAY 31 文件的规范拆分和写法

• 核心目标：让代码可复用、易维护，符合工程标准。
• 关键内容 ：
  • 目录结构：将数据加载、模型定义、训练逻辑、工具函数拆分为不同文件（如 dataset.py / model.py / train.py / utils.py）。
  • 模块化设计：每个文件只负责单一功能，降低耦合。
  • 入口文件：用 main.py 作为程序入口，统一调用各模块。
  • 代码规范：添加类型提示、注释，遵循 PEP8 风格。

DAY 32 官方文档的阅读

• 核心目标：学会自主获取权威知识，解决实际问题。
• 关键内容 ：
  • 文档结构：熟悉 PyTorch 官方文档的模块划分（如 torch.nn / torch.optim / torch.utils.data）。
  • 高效检索：通过搜索函数 / 类名，快速定位参数说明、示例代码和注意事项。
  • 示例学习：通过官方示例代码理解 API 的实际使用场景。
  • 版本兼容：关注不同 PyTorch 版本的 API 变化，避免踩坑。

DAY 33 MLP 神经网络的训练

• 核心目标：掌握完整的深度学习训练流程。
• 关键内容 ：
  • 模型定义：继承 nn.Module，实现 __init__ 和 forward 方法。
  • 数据准备：数据集加载、划分训练集 / 验证集、数据预处理。
  • 损失函数与优化器：选择合适的损失（如 CrossEntropyLoss）和优化器（如 SGD / Adam）。
  • 训练循环：前向传播 → 计算损失 → 反向传播 → 参数更新。
  • 验证逻辑：在验证集上评估模型性能，监控过拟合 / 欠拟合。

DAY 34 GPU 训练及类的 call 方法

• 核心目标：提升训练效率，理解类的调用机制。
• 关键内容 ：
  • GPU 加速：使用 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")，将模型和数据移至 GPU。
  • call 方法：nn.Module 的 __call__ 方法会自动调用 forward，因此可以直接用 model(input) 完成前向传播。
  • 设备管理：确保所有张量与模型在同一设备上，避免运行时错误。
  • 性能优化：使用混合精度、数据加载并行等技巧进一步加速。

DAY 35 模型可视化与推理

• 核心目标：让模型 "可解释"，完成从训练到部署的最后一步。
• 关键内容 ：
  • 模型可视化：
    • torchinfo.summary：打印模型结构、参数量、输入 / 输出形状。
    • 权重分布可视化：绘制权重 / 梯度直方图，分析训练稳定性。
  • 进度条：使用 tqdm 或手动实现进度条，美化训练日志。
  • 推理模式：
    • 切换 model.eval() 关闭 Dropout/BatchNorm 的训练行为。
    • 使用 torch.no_grad() 禁用梯度计算，节省显存并加速推理。
  • 结果评估：在测试集上生成预测，计算最终指标。

---

💡 核心能力提炼

1. 工程化能力：代码模块化、规范命名、高效阅读文档。
2. 训练全流程掌控：从数据到模型，再到训练、验证、推理的完整闭环。
3. 效率与可解释性：GPU 加速训练，可视化手段辅助调试与分析。
4. 问题解决思维：能通过官方文档和工具定位并解决代码问题。

---

🎯 后续学习方向建议

• 深入卷积神经网络（CNN）、循环神经网络（RNN）等更复杂模型结构。
• 学习模型保存与加载，为部署做准备。
• 探索更高级的训练技巧（如学习率调度、正则化、迁移学习）。