S4-01 · loss 曲线解读：一眼看出欠拟合、过拟合、震荡

阶段：S4-训练过程 ｜ 预计耗时：75-90 分钟（三种病各跑一次）｜ 前置：S3 全部验收通过 新依赖：pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple 代码：本篇代码要你自己敲成 model-learn/s4_loss_curves.py

学习目标

1. 学会记录训练曲线：每个 epoch 的 train loss / val loss 双线
2. 亲手制造三种病——欠拟合、过拟合、震荡——各跑一次，把图存档
3. 达到"给你一张曲线图，30 秒说出它得了什么病、该开什么药"的水平

核心知识

1. 三种病的曲线指纹

2. 为什么必须画 val 线

只看 train loss 永远觉得"一切正常"——过拟合的信号只出现在 val 线上。S2-02 的划分知识在这里兑现。

3. 本机实现要点

• 每 epoch 结束评一次 val（5000 样本几秒钟，开销可忽略）
• 结果存 CSV + matplotlib 画 PNG 存档（放进本阶段文件夹）
• 三种配置用命令行参数切，一次只跑一种

实验任务

任务 1：写带记录的训练脚本（40 分钟）

核心骨架（在 S1-01 训练循环上加两件事：每 epoch 记录 + 最后画图）：

# s4_loss_curves.py --config normal|overfit|chaos
#   normal : 5000样本 5epoch lr=1e-3      （健康对照）
#   overfit: 200样本 30epoch lr=1e-3      （背题现场）
#   chaos  : 5000样本 5epoch lr=5         （步子太大）
# 每 epoch 记录 train_loss / val_loss 到列表，最后：
import matplotlib
matplotlib.use("Agg")                       # 无窗口环境也能出图
import matplotlib.pyplot as plt
plt.plot(train_hist, label="train"); plt.plot(val_hist, label="val")
plt.legend(); plt.title(config); plt.savefig(f"loss_{config}.png", dpi=120)

（CSV 也存一份：epoch,train_loss,val_loss——数据比图更值得留档。）

任务 2：跑三种配置，存三张图（20 分钟）

.venv/Scripts/python.exe s4_loss_curves.py --config normal
.venv/Scripts/python.exe s4_loss_curves.py --config overfit
.venv/Scripts/python.exe s4_loss_curves.py --config chaos

任务 3：自我考核（15 分钟）

把三张 PNG 打乱顺序重看，每张 30 秒内说出：什么病 → 证据（哪条线什么形态）→ 开什么药。答案写进观察记录表。

验收标准

• 三张 loss_*.png + CSV 存档（PNG 放本阶段文件夹）
• overfit 那张必须出现剪刀差（train 降、val 升）
• 三张图的诊断全部正确

衔接下一阶段

会诊病 → S4-02 过拟合与正则化：把"过拟合"这张图当靶子，逐一试药。