深度学习

本章聚焦 PyTorch 模型的保存与加载：为什么推荐保存 state_dict、如何安全地 torch.load(weights_only=True)，以及保存整个模型为何被视为 legacy 用法。并以 FashionMNIST 的 MLP 为例，跑通从训练到推理验证的完整流程。

本文记录 PyTorch 官方教程“Optimizing Model Parameters”的学习过程，梳理训练所需的超参数、损失函数与优化器，并用 FashionMNIST + MLP 示例串起“前向→算损失→反向传播→参数更新”的完整训练/评估流程。

基于 3Blue1Brown 深度学习系列视频，系统梳理了从 Loss、梯度下降到反向传播的核心逻辑，并结合直觉理解、数学推导与 PyTorch 实现，帮助建立“神经网络如何学习”的完整认知框架。

本章主要理解了 nn.Module 的模型定义方式、forward 机制、logits 与 softmax 的关系，以及参数的训练流程，为后续训练与优化打基础。

本文记录了基于 PyTorch 官方 Tutorial 学习 Transforms 的过程，主要整理 Transforms 的基本用法和个人理解。

本文记录了基于 PyTorch 官方 Tutorial 学习 Datasets & DataLoaders 的过程，主要整理 Dataset / DataLoader 的基本用法和个人理解。

本文记录了基于 PyTorch 官方 Tutorial 学习 Tensor 的过程，涵盖张量创建、属性、设备迁移、切片、矩阵运算及与 NumPy 的互通机制，并整理了常见易错点，作为个人深度学习入门笔记。