1 框架帮你省掉什么
假设你拿到乳腺肿瘤检查数据，希望根据半径、纹理、周长等数值特征，区分恶性与良性。任务并不是“调用神经网络就结束”：你需要明确标签、划分样本、处理不同量纲、训练参数，再检查漏判与误判。PyTorch 负责其中重复而容易写错的计算工作，包括张量运算、梯度计算、参数管理和设备迁移。数据是否泄漏、指标是否合适、实验是否回答了业务问题，仍然需要你判断。
本课使用公开的 Wisconsin Diagnostic Breast Cancer 数据集，通过 scikit-learn 内置接口读取。它包含 569 个样本、30 个数值特征，原始标签中 0 表示恶性、1 表示良性。我们把恶性重新编码为正类 1，便于把 recall 解释为“实际恶性样本中被识别出的比例”。这是学习实验，数据规模与来源都不足以支持现实诊断决策。先写清正类含义，比看到指标后再解释更可靠。
如果手写训练过程，你不仅要算预测值与损失，还要推导每层参数的偏导数，并维护更新后的参数。自动求导能够根据实际执行的运算建立计算图，沿着这张图计算梯度。你仍需选择模型结构和损失函数，但不必为每次改动重新手写完整导数。这使小步实验成为可能：先建立线性分类基线，再尝试带隐藏层的网络，比较验证集结果是否真的改善。
框架没有替你定义“好模型”。在客户流失任务中，把所有用户预测为不流失，可能获得很高的准确率，却完全找不到即将流失的用户。在图片分类中，同 1 个对象的近似照片如果分散到训练集和测试集，测试结果可能过于乐观。短文本分类也会出现重复句子、模板词和时间变化。学框架时要同时学会检查数据边界，否则计算正确也可能得出错误结论。
入门阶段先掌握完整的实验闭环：输入是什么，输出代表什么，如何得到损失，参数如何更新，结果怎样验证，以及如何保存。暂时不展开分布式训练、编译优化和复杂算子内部实现。对小型表格问题，树模型等传统方法也值得作为基线；采用 PyTorch 的学习价值，在于理解同样的训练骨架如何迁移到图像与文本模型，而不是保证神经网络在每个任务上都获胜。
2 Tensor、设备与自动求导
Tensor 可以先理解为带有形状、数据类型和设备位置的多维数组。单个样本的 30 个特征可以写成形状 [30]；把 32 个样本组成批次，输入形状就是 [32, 30]。本课模型给每个样本输出 2 个类别分数，所以输出形状为 [32, 2]。标签保存为 [32]，每个元素是 0 或 1。写下这些形状，常常比反复猜测某个维度为什么报错更有效。
数值特征通常转成 float32，交叉熵接收的类别索引通常使用 int64，也就是 PyTorch 的 long 类型。模型的输出叫 logits，是未经 softmax 转换的实数分数。CrossEntropyLoss 内部已经包含适合分类的对数概率计算，因此训练时直接传入 logits；提前 softmax 会改变损失接收的输入，容易让训练行为偏离预期。展示概率时，才对 logits 做 softmax，并读取正类对应的列。
设备说明张量放在哪里计算。cpu 表示主机处理器，cuda 表示通过 CUDA 使用受支持的 GPU。模型参数与参与同次计算的输入通常必须处于兼容设备上。x.to(device) 返回迁移后的张量，要写成 x = x.to(device)；只调用而丢弃返回值，不会修改变量 x 的绑定。模型则通过 model.to(device) 迁移其参数与缓冲区。不要根据机器装有显卡，就认定当前 Python 环境可以使用它。
自动求导追踪需要梯度的张量参与的运算。模型参数默认需要梯度，普通输入通常不需要。前向计算得到 loss 后，loss.backward() 把梯度写入参数的 grad 属性；这时参数数值尚未更新。调用优化器的 step() 才执行更新。梯度默认会累积，因此每个普通训练批次前要清空旧梯度。先把“计算梯度”和“改变参数”分开理解，再看训练循环就会清楚许多。
import torch
w = torch.tensor(2.0, requires_grad=True)
loss = (w * 3 - 1) ** 2
loss.backward()
print(w.grad) # tensor(30.)这里预测值为 6，与目标 1 的差为 5，平方损失为 25；梯度为 2 × 5 × 3，也就是 30。梯度告诉我们当前点附近损失怎样变化，并不保证任意更新幅度都会改进结果。学习率过大仍可能越过合适区域。这个例子只为建立直觉，不需要在入门阶段掌握所有求导细节。
3 Dataset / DataLoader 与训练循环骨架
Dataset 定义如何按索引取得样本，DataLoader 负责把样本组成批次，并按配置打乱或顺序读取。表格数据已经在内存中时，可以直接使用 TensorDataset 包装输入和标签。图片任务的 Dataset 往往需要按路径读取文件并做变换；文本任务则需要把句子转换成模型可接收的数字表示。变化的是取样与预处理方式，模型、损失和优化器之间的基本关系仍然相同。
batch size 是每次更新使用的样本数，epoch 是训练集被完整遍历的轮次。569 个样本划分后，训练集不足 569；batch size 为 32 时，末尾批次可能小于 32，所以代码不能把批次维度写死。训练集通常启用 shuffle，让批次顺序变化；验证集与测试集通常不打乱，便于核对样本。打乱不等于重新划分数据，更不能把验证样本混进训练集一起更新参数。
每个训练批次依次执行清梯度、前向、算损失、反向和更新。每轮结束后切换到验证阶段，只测量泛化表现。训练损失下降说明模型越来越适应训练样本，并不自动说明它能处理新样本。若训练损失继续下降而验证损失上升，可能已经过拟合；若两者都没有改善，应先检查数据、标签、损失和更新是否正常，再考虑增加网络规模。
统计平均损失时，需要考虑批次大小。默认交叉熵返回当前批次的平均值；先乘当前批次样本数，累计后再除以总样本数，才能避免末尾小批次被过度加权。指标也应在完整验证集上汇总后计算。直接平均每批 F1 通常不等于整体 F1，因为 F1 是基于累计 TP、FP、FN 的非线性比值。记录时同时保留样本数，可以更快发现漏跑了部分数据。
初次实验把 DataLoader 的 num_workers 设为 0，先得到可理解的正确流程。更多加载进程、锁页内存等选项可能改善某些任务，也可能增加开销；没有测量之前，不应把它们当成固定加速配方。对于本课的小数据集，CPU 完全可以完成练习，GPU 的意义主要是让你认识设备路径，并为后续更大模型准备检查方法。
可以先从训练加载器取出 1 批，核对它实际交给模型的内容：xb, yb = next(iter(train_loader))。本课应看到 xb 的形状为 [32, 30]、类型为 float32，yb 的形状为 [32]、类型为 long。再检查 torch.isfinite(xb).all() 与标签取值，能在反向传播之前发现缺失值或错误编码。Dataset 中同个索引返回的特征与标签必须属于同个样本；若分别打乱特征数组和标签数组，形状检查仍会通过，但模型学到的是错误配对。应通过样本索引一起取出二者。
批次维度还决定损失怎样解释。对 [32, 2] 的 logits，argmax(dim=1) 才是逐个样本选类别；沿 dim=0 操作会变成逐个类别在 32 个样本中找最大值。不要为了消除形状报错，随手把标签改成 [32, 1] 或复制成 [32, 2]。本课使用类别索引形式的交叉熵，要求每个样本对应 1 个整数标签。遇到维度错误时，先写清每个轴的含义，再决定应在哪里调整。
理解更新次数也有助于比较实验。本课划分后有 341 个训练样本，batch size 为 32 时，每轮包含 10 个完整批次和 1 个含 21 个样本的批次，共执行 11 次参数更新。若改成 64，每轮只有 6 次更新；即使轮次相同，优化过程也已改变。默认保留末尾批次；设置 drop_last=True 会让每轮少用部分样本，小数据练习通常没有必要这样做。比较不同批次大小时，应同时记录轮次、更新次数与验证结果。
还可以用参数变化确认训练骨架确实工作：在 1 次更新前，用 model[0].weight.detach().clone() 留下首层权重副本；反向后检查该层 grad 是否存在且数值有限，step 后再比较权重差异。若梯度存在但权重始终不变，应核对优化器是否持有当前模型的参数、是否漏掉 step，以及学习率是否为 0。仅看到 loss 被成功打印，不能证明参数已经更新。这个小检查应放在诊断阶段，确认流程后再恢复正常训练日志。
4 动手：用 PyTorch 复现小分类器
下面的程序可按代码块顺序放进同 1 个脚本运行，需要安装 torch 与 scikit-learn。先划分数据，再拟合预处理。我们采用约 60% 训练、20% 验证、20% 测试的分层随机划分，使各部分尽量保持类别比例。数据总数不能被比例整除，实际数量由划分函数决定。标准化只在训练集上计算均值和标准差，再把相同变换应用到验证与测试集，避免提前使用评估数据的信息。
import random
import numpy as np
import torch
from torch import nn
from torch.utils.data import TensorDataset, DataLoader
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import (
precision_score, recall_score, f1_score,
roc_auc_score, confusion_matrix,
)
seed = 42
random.seed(seed)
np.random.seed(seed)
torch.manual_seed(seed)
if torch.cuda.is_available():
torch.cuda.manual_seed_all(seed)
data = load_breast_cancer()
X = data.data
y = (data.target == 0).astype(np.int64)
indices = np.arange(len(y))
train_idx, rest_idx = train_test_split(
indices, test_size=0.4, stratify=y, random_state=seed
)
val_idx, test_idx = train_test_split(
rest_idx, test_size=0.5, stratify=y[rest_idx],
random_state=seed,
)
scaler = StandardScaler().fit(X[train_idx])
def make_dataset(idx):
features = torch.tensor(
scaler.transform(X[idx]), dtype=torch.float32
)
labels = torch.tensor(y[idx], dtype=torch.long)
return TensorDataset(features, labels)
generator = torch.Generator().manual_seed(seed)
train_loader = DataLoader(
make_dataset(train_idx), batch_size=32,
shuffle=True, generator=generator, num_workers=0,
)
val_loader = DataLoader(make_dataset(val_idx), batch_size=128)
test_loader = DataLoader(make_dataset(test_idx), batch_size=128)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = nn.Sequential(
nn.Linear(30, 16),
nn.ReLU(),
nn.Linear(16, 2),
).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
print("device:", device, "counts:",
len(train_idx), len(val_idx), len(test_idx))标准化使半径、面积等量纲不同的特征处于更相近的数值范围。隐藏层把 30 个输入变成 16 个中间数值，ReLU 引入非线性，最后输出 2 个类别分数。16 是教学配置，并非数据集的最优答案。固定这套结构运行成功后，再与只有 Linear(30, 2) 的基线比较，每次只改少量因素，才能解释改进来自哪里。
def evaluate(loader, threshold=0.5):
model.eval()
total_loss, count = 0.0, 0
labels, probabilities = [], []
with torch.no_grad():
for xb, yb in loader:
xb, yb = xb.to(device), yb.to(device)
logits = model(xb)
loss = criterion(logits, yb)
total_loss += loss.item() * len(yb)
count += len(yb)
labels.extend(yb.cpu().tolist())
probabilities.extend(
logits.softmax(dim=1)[:, 1].cpu().tolist()
)
labels = np.asarray(labels)
probabilities = np.asarray(probabilities)
predictions = (probabilities >= threshold).astype(np.int64)
return {
"loss": total_loss / count,
"precision": precision_score(labels, predictions, zero_division=0),
"recall": recall_score(labels, predictions, zero_division=0),
"f1": f1_score(labels, predictions, zero_division=0),
"auc": roc_auc_score(labels, probabilities),
"matrix": confusion_matrix(labels, predictions, labels=[0, 1]),
}
import copy
best_loss = float("inf")
best_state = None
for epoch in range(1, 31):
model.train()
total_loss, count = 0.0, 0
for xb, yb in train_loader:
xb, yb = xb.to(device), yb.to(device)
optimizer.zero_grad(set_to_none=True)
logits = model(xb)
loss = criterion(logits, yb)
loss.backward()
optimizer.step()
total_loss += loss.item() * len(yb)
count += len(yb)
val = evaluate(val_loader)
if val["loss"] < best_loss:
best_loss = val["loss"]
best_state = copy.deepcopy(model.state_dict())
print(epoch, "train_loss", total_loss / count, "val", val)
model.load_state_dict(best_state)
test_result = evaluate(test_loader, threshold=0.5)
print("final_test", test_result)这里用验证损失选择 30 轮中保存的状态，阈值固定为 0.5，最后只评估所选模型。不要根据 test_result 再调整学习率或轮次，然后继续把同个测试集当成新证据。如果确实反复参考了测试结果，它已经参与开发，需要另设独立评估数据。代码没有附上承诺分数，读者应记录自己的实际结果与运行环境，避免把偶然运行当作标准答案。
正类预测正确的数量为 TP，误报为 FP，漏报为 FN。precision=TP/(TP+FP)，回答“预测为恶性的样本里有多少确实恶性”；recall=TP/(TP+FN)，回答“实际恶性样本里找到了多少”。F1 综合这 2 个比例。AUC 在这里指 ROC AUC，使用连续正类分数评价排序能力，不能用已经变成 0 或 1 的预测替代概率。混淆矩阵行是真实标签、列是预测标签，顺序固定为 [0, 1]。
降低阈值可能提高 recall，也可能增加 FP。若要选择阈值，应在验证集上依据任务代价确定规则，再冻结用于测试。代码中的 zero_division=0 是明确的统计约定；出现没有正类预测时，要同时报告对应计数，不能只看 0 分而忽略模型行为。真实类别严重不平衡时，准确率与 ROC AUC 都可能不足以表达使用效果，还应看正类数量、precision、recall，以及必要时的 PR 曲线。
5 保存、加载与可复现实验
保存权重只是保存实验的部分结果。重建预测至少还需要模型结构、特征顺序、标签映射、标准化参数与阈值。假设训练时第 1 列是平均半径，推理时却把平均纹理放进第 1 列，即使张量形状完全正确，模型也会接收到错误含义。保存有序特征名并在加载时核对，比依赖口头约定可靠。数据划分索引也要保留，否则下次得到的验证分数可能来自另一批样本。
checkpoint = {
"state_dict": {k: v.detach().cpu().clone()
for k, v in model.state_dict().items()},
"input_dim": 30,
"hidden_dim": 16,
"feature_names": data.feature_names.tolist(),
"positive_label": "malignant",
"mean": scaler.mean_.tolist(),
"scale": scaler.scale_.tolist(),
"threshold": 0.5,
"seed": seed,
"train_idx": train_idx.tolist(),
"val_idx": val_idx.tolist(),
"test_idx": test_idx.tolist(),
}
torch.save(checkpoint, "a19-checkpoint.pt")
saved = torch.load("a19-checkpoint.pt", map_location="cpu", weights_only=True)
restored = nn.Sequential(
nn.Linear(saved["input_dim"], saved["hidden_dim"]),
nn.ReLU(),
nn.Linear(saved["hidden_dim"], 2),
)
restored.load_state_dict(saved["state_dict"])
restored.eval()
raw = X[test_idx[:3]]
normalized = (raw - np.asarray(saved["mean"])) / np.asarray(saved["scale"])
with torch.no_grad():
probability = restored(
torch.tensor(normalized, dtype=torch.float32)
).softmax(dim=1)[:, 1]
print(probability)这个文件适合恢复推理；若要中断后继续训练，还要保存优化器状态、当前轮次、随机数状态以及相关采样状态。否则即使权重相同，后续更新路径也可能不同。加载来自不可信来源的序列化文件存在风险，应只使用可信文件，并优先使用当前版本支持的受限权重加载方式。模型结构仍由代码明确创建，文件里的配置不应变成任意代码执行入口。
固定随机种子能减少无关差异，但不同设备、库版本和某些算子仍可能产生差异。记录 Python、PyTorch、scikit-learn 版本、设备名称、代码版本和数据来源；严格复现实验时再评估确定性选项及其限制。小数据集的单次划分也有波动，比较模型应使用同样的划分，并在验证阶段检查多个种子或交叉验证。测试集保持独立，不应因某个种子测试分数高就选中它。
6 常见坑：断图、eval/train 模式、设备不一致
断图是指你在需要求梯度的路径上切断了计算关系。比如把 loss 转成 Python 数字后，再包装成新张量调用 backward，新张量已经不知道原来的模型参数。detach() 也会生成不追踪原计算历史的视图；它适合记录或导出结果，但不能随意插在模型输出与训练损失之间。日志可使用 loss.item()，反向仍应针对原来的 loss。若报出张量不需要梯度，先检查这些边界，而不是给所有张量强行设置 requires_grad。
另一个容易忽视的问题是记录张量。若每批直接把带计算图的 loss 存入列表，可能保留不再需要的计算关系并增加内存占用。记录标量使用 item，记录预测使用 detach 后移到 CPU。它们用于观察，训练路径则保留原张量。观察与训练使用同个数值的不同表示并不矛盾，关键是知道哪条路径需要梯度。
model.train() 与 model.eval() 控制某些层的行为，例如 Dropout 的随机丢弃和 BatchNorm 的统计使用方式。eval 不会自动关闭自动求导，no_grad 也不会替你切换模型模式，验证时通常同时需要两者。本课网络没有这些层，因此忘记切模式可能暂时看不出差异；这不表示约定可以省略。以后加入 Dropout，再用错误模式验证，指标可能在相同输入上反复变化。
设备错误常见于模型已经在 GPU，而标签仍在 CPU；也可能是前向里临时创建的张量默认落在 CPU。检查输入、标签、参数和临时张量的 device。创建辅助张量时可使用输入的 device，或使用 zeros_like 等保留设备信息的接口。不要把每处报错都机械地加上 cuda 调用；应让模型和批次遵循同个显式 device，CPU 路径才不会因此失效。
若程序运行却效果异常，先用极小训练子集检查模型是否有能力拟合，再排查标签方向、输入缺失值、学习率与梯度。这个检查只用于诊断，不能用该子集训练分数代替泛化指标。若验证分数高得异常，检查重复样本和泄漏：流失预测不能使用注销后产生的字段；文本不能把标签名称拼进输入；患者级数据不能把同个患者的记录随机分散到训练与测试中。
7 案例：静默 CPU 训练拖垮迭代
设想团队把同样的训练骨架迁移到公开图像分类数据，准备比较 6 组配置。脚本没有报错，loss 也下降，但每轮耗时远超预算。开发者于是减少轮次，用尚未收敛的结果淘汰配置。问题看起来是模型效果不佳，实际还混入了迭代时间不足。以下是教学案例，不代表任何真实硬件的性能记录；它说明运行位置可以通过实验管理间接影响结论。
旧代码使用 cuda if available else cpu，运行环境无法使用 CUDA，于是模型和输入一起落到 CPU。因为两者设备一致，PyTorch 没有理由报设备冲突。日志只记录 loss，没有记录实际设备，团队把“机器有 GPU”当成了“本进程在用 GPU”。GPU 活动较低可以作为线索，但不足以证明根因；小模型、读取等待或采样时机也可能让 GPU 看起来空闲。
排查先打印 CUDA 可用性、选定 device、模型参数设备以及首批输入设备。若都在 CPU，再检查当前解释器使用的 PyTorch 构建、运行环境对 GPU 的可见性和兼容性。若已经在 GPU，则分开测量读数据、传输、前向与反向，不能把所有慢速都归咎于设备选择。GPU 操作可能异步提交，测量 GPU 阶段时需要在计时边界同步，或使用适当的 GPU 计时工具；否则记录到的可能主要是提交工作所需时间。
修复后，用相同数据、批次大小、模型和训练轮次比较，先预热再计时，同时保留验证指标。样本吞吐变快而结果发生大幅异常，仍然不能宣布成功，应检查配置是否同时改变。对于很小的表格模型，传输和启动开销可能抵消 GPU 收益，因此不应承诺迁移后必然加速。案例真正需要的结果，是实际设备符合约定，并且训练完成时间有可解释的测量证据。
最终把设备意图分成明确策略：本地练习允许 CPU，则启动时打印选择与原因；计划必须用 GPU 的实验，若不可用就立即失败。这样不需要等 6 组任务完成才发现回退。性能记录至少包括总样本数、轮次、每轮耗时、吞吐、设备和批次大小。显存占用可以辅助解释资源需求，但显存已分配不等于持续有效计算，仍需结合时间与吞吐判断。
8 把训练脚本约定写进仓库规范
把能够重复执行的实验变成仓库约定，比要求每位成员记住所有坑更有效。数据规范应说明来源、版本、样本标识、正类含义、特征顺序和划分方法。随机划分适合本课练习；若真实问题要预测未来流失，应考虑按时间划分；若同个用户或患者有多条记录，应考虑按实体分组。划分方法服务于将来怎样使用模型，不能只选择分数最高的方式。
配置应显式保存 batch size、学习率、轮次、模型结构、种子、设备要求和模型选择规则。每次运行建立独立目录，放入配置、环境信息、日志、最佳权重和评估报告。运行名可以包含日期与简短配置，但日期不能代替内容；需要能够从记录还原实际执行了什么。训练脚本默认不得读取测试集指标来选择最佳模型，评估入口再加载冻结后的完整方案。
日志不必铺满每个中间张量，至少要让人回答：读了多少样本，正类比例多少，模型与输入在哪里，每轮是否完成，训练和验证损失怎样变化，最终按什么规则选择权重。运行前检查特征数、标签范围和数值是否有限；评估时保存混淆矩阵，并抽查错误样本。AUC 要求评估数据含有可比较的正负类，缺少某个类别时应报告不可计算，不能编造正常分数。
代码评审可以围绕具体失败提出要求：预处理是否仅拟合训练集，验证是否使用 eval 与 no_grad，梯度是否按批次清空，最佳状态是否复制保存，加载后是否能复现固定样本的预测。文件成功写出并不能证明加载流程正确；应在独立进程里重建模型与预处理，并核对输出。这样的检查直接保护实验结果，比只检查文件名是否符合格式更有价值。
还要给失败留下可理解的出口。出现 NaN 损失时停止并记录轮次与输入摘要；要求 GPU 却不可用时报告环境证据；没有正类预测时输出计数与指标约定。对类别不平衡，可以在训练集上尝试类别权重或采样策略，但验证与测试应保留目标分布。不能在划分前复制少数类样本，再让副本进入不同集合，那会把“改善类别比例”变成新的数据泄漏。
9 从小模型走向大模型体验（A20）
走向大模型之前，先确认自己能够解释小模型的全部路径：原始输入怎样变成 Tensor，输出维度怎样对应标签，训练时哪些对象更新，评估时哪些状态冻结，以及权重加载后怎样恢复相同输入含义。这些问题在大模型中仍然存在，只是文本输入通常要先经过 tokenizer，模型输出可能是每个位置的词元分数，推理还要控制生成长度与其他参数。
小分类器从随机参数开始训练；大模型初体验通常从加载已有的预训练权重并完成推理开始。先观察它对固定任务的输出，再考虑是否需要微调。不能把演示中回答流畅等同于任务正确，也不能直接把生成文本套用本课的分类 AUC。短文本分类若仍有明确标签，可以继续使用 precision、recall、F1；开放式生成则需要任务标准、参考答案与人工检查等合适的评估方式。
路径上先准备 GPU，是为了理解模型是否装得下、运行多快以及资源为何随输入变化。检查运行环境支持、可用显存、权重规模与输入长度，先跑最小推理样例，再扩大批次或文本长度。显存中不只有权重，还可能有输入、中间结果和生成时的缓存；训练还需要梯度与优化器状态，因此“推理能跑”不等于“同样设备能够训练”。这些内部构成将在后续逐步展开。
分布变化同样会跟随你进入下一课。当前数据上的好结果，不能保证对新医院设备、新图片风格或新出现的网络用语仍然有效。需要记录数据来源，并保留来自目标场景的评估样本。看到分数下降时，先区分输入分布变了、标签定义变了，还是实现出了问题。框架提供统一的计算接口，可靠实验则需要你持续维护输入、证据和决策之间的关系。
放进方案里
在方案中把 PyTorch 写成可执行的实验路线：使用公开乳腺肿瘤数据建立教学分类器，以恶性为正类，输入为 30 个数值特征，输出为正类概率。说明这项实验用于验证训练、评估与保存流程，不用于现实诊断。约 60% 数据训练、20% 验证、20% 测试，采用固定的分层划分，保存样本索引。标准化仅拟合训练集，并把特征顺序、均值与标准差随模型保存。
先运行线性基线，再运行 16 个隐藏单元的小网络，保持相同划分与评估方式。验证集负责选择配置与权重；若调整分类阈值，也只使用验证集。测试集用于冻结方案后的最终评估，同时报告 precision、recall、F1、ROC AUC、混淆矩阵和样本数。针对漏判代价解释 recall，针对误报负担解释 precision，不承诺单次运行能够达到某个分数。
资源计划写明实际设备、批次大小、训练轮次与耗时记录方法。本地练习允许 CPU；指定 GPU 的运行必须检查可用性，不能静默回退。交付物包含脚本、环境版本、配置、划分记录、最佳权重和独立加载示例。验收时在新进程恢复预处理与模型，核对固定样本概率，并确认验证阶段没有更新参数。
加载验收保留固定样本索引、保存前后的正类概率与最大绝对误差；同设备比较时预先约定容差，例如 0.000001。另核对阈值两侧样本的类别结果，若不一致，检查预处理、权重与阈值是否配套，不能只凭文件可读取就通过验收。
风险部分聚焦可检查的失效：重复样本跨集合导致泄漏，类别不平衡掩盖漏判，目标人群变化导致分布偏移。分别要求样本去重与分组检查、分类计数与分项指标、目标场景数据评估。若这些证据不足，先补充数据与验证，再扩大模型。这样后续进入大模型体验时，仍能沿用输入定义、设备检查、冻结评估和结果追溯这套约定。
10 小结：下一步大模型初体验（路径上先 GPU）
PyTorch 把张量计算、自动求导和参数更新组织成可重复的训练过程。Dataset 与 DataLoader 提供样本，模型输出 logits，损失衡量误差，backward 计算梯度，优化器执行更新；验证阶段切换模式并停止记录梯度。数据边界、指标含义与实验记录共同决定结果是否可信。
进入 A20 前，尝试口头回答：为什么标准化不能先看完整数据？为什么 backward 后参数还没改变？为什么 eval 仍需配合 no_grad？为什么机器有 GPU 却可能全程使用 CPU？能用代码与日志回答这些问题后，再准备 GPU 环境，加载预训练模型完成最小推理，把本课的可复现实验习惯带过去。