阶段学习任务单：深度学习与 Transformer 基础
这个阶段的目标是让你理解神经网络如何训练、如何用 PyTorch 搭建模型，以及 Transformer 为什么成为现代大模型的基础。不要急着追求大模型训练，先把张量、模型、损失、优化器、训练循环和评估流程跑清楚。
本阶段必须完成的任务
| 任务 | 产出物 | 通过标准 |
|---|---|---|
| 理解神经网络训练闭环 | 一个手写训练流程图 | 能解释前向传播、损失、反向传播和参数更新 |
| 跑通 PyTorch 基础 | 一个最小训练脚本 | 能使用 Dataset、DataLoader、nn.Module 和 optimizer |
| 完成图像或文本小任务 | 一个可运行训练项目 | 能记录训练曲线、验证指标和错误样本 |
| 理解 Attention 与 Transformer | 一份结构说明笔记 | 能解释 Query、Key、Value、Self-Attention 和位置编码 |
| 完成阶段项目 | 一个深度学习实践项目 | 有训练日志、指标、可复现命令和复盘 |
推荐学习顺序
先理解神经网络训练过程，再学习 PyTorch 基础，然后学习 CNN/RNN/Attention/Transformer。不要把 Transformer 当成孤立公式，它本质上是在处理序列信息、上下文关系和并行计算效率。
写 PyTorch 代码时，优先关注数据形状。大多数初学错误都和 tensor shape、batch 维度、loss 输入格式、device 不一致有关。每写一个模块，都建议打印一次输入输出形状。
和 AI 学习助手项目的关系
本阶段对应 AI 学习助手的 v0.5 表示学习理解版。你不一定要为学习助手训练大模型，但应该理解 embedding、序列建模和 Transformer 的基础，这会直接影响后续 RAG、Prompt、微调和 Agent 的理解。
建议做一个小实验：用简单文本分类或相似度任务观察不同文本表示方法的效果。重点不是追求高分，而是理解“文本如何变成向量”“向量相似度为什么能用于检索”。
常见卡点
常见问题包括张量维度不匹配、训练 loss 不下降、验证集效果很差、学习率过大或过小、过拟合、GPU/CPU device 不一致、把训练指标误当成泛化能力。遇到训练问题时，先用小数据集过拟合测试，确认代码能学到东西，再扩大数据。
阶段通关问题
学完后，你应该能回答这些问题：为什么需要反向传播，optimizer 更新的是什么，Dataset 和 DataLoader 分别解决什么问题，Attention 为什么能建模上下文，Transformer 和后续大模型有什么关系。
完成状态 Checklist
- 我能解释前向传播、损失、反向传播和参数更新。
- 我能用 PyTorch 写出 Dataset、DataLoader、nn.Module 和训练循环。
- 我能记录训练曲线、验证指标和错误样本。
- 我能说明 Attention 和 Transformer 解决了什么问题。
- 我已经完成一个深度学习小项目，并能解释它的输入、输出和失败原因。