独立重构与复盘

状态:待开始。 完成一个可验证的最小闭环后,再回到这一部分检查自己的理解。可以先重构 NumPy 线性分类器或 MLP,再独立重建 PyTorch 版本。

动手任务

  1. 暂时合上参考代码,用自己的话画出数据流、训练步骤和模块接口。
  2. 在独立目录中重新实现核心流程;查接口资料与直接复制参考实现分开记录。
  3. 用固定输入、参数和数据划分检查新旧实现的关键输出与梯度。
  4. 选择一个设计改动,例如隐藏层宽度、优化器或输入居中策略,提出预期并做对照实验。
  5. 写出能独立解释、仍需查阅以及需要回到前面补学的部分。

完成标准

  • 能脱离参考解释核心架构与模块连接
  • 核心实现通过独立的正确性检查
  • 设计改动有预期、实验条件与结果分析
  • 复盘能链接到具体代码、图表或实践记录

我的实践记录

后续补充重构范围、使用资料、检查结果、设计实验与未解决问题。

所属项目

手写数字识别 从 NumPy 核心实现到 PyTorch 对照,按六阶段组织手写数字识别的模块、知识与实践。

关联知识

反向传播 从损失出发,利用链式法则计算各层参数的梯度,与优化器更新参数分工。 Softmax 与交叉熵 理解分类 logits、类别分布、监督损失与数值稳定性,连接手写实现与框架接口。 NumPy 数组创建、索引、广播与统计;进阶整理视图、einsum 和局部排序。 PyTorch(torch) 张量、自动求导、训练与推理;进阶整理参数冻结和混合精度。