日期：2026-11-10 ｜ 用途：每次改动实验，复制下面的表格填一行。三个月后这份记录就是你的"实验日志"，价值超过任何教程。 填写纪律：一次只改一个变量；先写下"预期"再跑（猜错了学得更多）；跑完必填"解读"。
观察记录表
| # | 改了什么 | 我的预期 | 实际命令 | loss | 准确率 | 耗时 | 解读（为什么是这个结果？） |
|---|---|---|---|---|---|---|---|
| 0 | 无（基线：500样本/1epoch/seed42/lr=1e-3） | - | --smoke |
2.2579 | 40.70% | 8.0s | loss≈ln10=2.3，500样本几乎没学会 |
| 1 | |||||||
| 2 | |||||||
| 3 |
预排的三次实验（照着做，填进上表）
实验 1：换随机种子（5 分钟）
- 改动：脚本里
torch.manual_seed(42)→torch.manual_seed(7) - 预期先写：结果会一样还是不一样？为什么？
- 跑：
.venv/Scripts/python.exe 01_mnist_cnn.py --smoke - 观察点：准确率变了没有？变大还是变小？
- 你会学到：神经网络的初始权重是随机的——种子决定"起点"，起点不同结果就不同；这就是为什么做实验对比要固定种子
实验 2：数据量 10 倍（5 分钟）
- 改动：
Subset(train_ds, range(500))→range(5000) - 预期先写：loss 和准确率会怎么变？
- 跑：同上
--smoke - 观察点：loss 还停在 2.2 附近吗？准确率过了 70% 吗？
- 你会学到：数据量是最便宜的提分手段——对比基线行，同一模型只多了 10 倍数据
实验 3：把学习率拉爆（5 分钟）
- 改动：
lr=1e-3→lr=1.0 - 预期先写：loss 会缓慢下降还是剧烈震荡？
- 跑：同上
--smoke - 观察点：loss 是不是不降反升/上下乱跳？
- 你会学到：学习率是训练第一超参数——步子太大永远走不到谷底（恢复原值后再试
lr=1e-7看另一个极端：几乎不动）
全量基线对照（已于 2026-11-10 跑完，实测数据）
| 运行 | 样本量 | epoch | loss 末值 | 准确率 | 总耗时 |
|---|---|---|---|---|---|
| 冒烟 | 500 | 1 | 2.2579 | 40.7% | 8s |
| 全量（实测） | 60000 | 2 | 0.0629（epoch1=0.2313） | 98.61% | 约90秒（45.8s+44.6s） |
对照后必答的三个问题：
1. 全量的 loss 末值比 ln10(≈2.30) 低了多少个数量级？这说明模型"学会了"什么？
2. 全量第 1 epoch 和第 2 epoch 的 loss 差多少？为什么第 2 轮提升变少？
3. 如果把 60000 样本只跑 1 epoch（加 --epochs 1），和 500 样本跑 10 epoch 相比，你猜哪个准确率高？为什么？（这是"数据量 vs 训练时长"的经典权衡）
记录习惯
- 每做完一次实验，在本文档表格加一行，不要新建文件
- 表格满了（约 10 行）就开新篇（放在当前阶段文件夹里，命名
NN-主题-核心问题.md），并在 README 归档清单登记 - 遇到报错：把完整 traceback 贴进当次实验的"解读"栏（报错也是实验结果）