深度学习与模型服务
第十六章从手算走到训练，第十七章把缩放参数与权重放进同一版本。继续学习时，可以先固定一份数据和评估方式，逐项比较变化。
| 下一步 | 动手任务 | 完成时核对 |
|---|---|---|
| 固定实验基线 | 保存数据来源、分组下标、随机种子和一种简单模型 | 新模型与基线使用同一任务、分组和指标 |
| 从错误样本改进 | 输出逐条预测、真实值和误差，分类任务再检查混淆矩阵 | 改动能解释对应错误，验证结果有完整记录 |
| 接入迁移学习 | 用预训练图像模型处理一份明确分类的数据，比较冻结与微调 | 输入预处理、输出类别、训练参数与评价对应 |
| 交付可复查版本 | 一起保存权重、预处理、类别、来源与报告，再接入 API | 重载结果一致；发布、重开与回退都有可核对版本 |
先用 PyTorch Learn the Basics 复查数据、模型、自动微分和保存流程；图像路线接着做 官方迁移学习教程。需要比较交叉验证与训练、验证、测试的职责时，可以查 scikit-learn 的模型评估说明，再决定当前数据怎样分组。
学习更大的模型时，仍然先追踪一批输入的形状、类型、目标与损失，再看参数怎样更新。实验记录里留下选择理由和失败尝试，后面才容易分清改进来自数据、训练方法还是实现修正。