阶段：S7-问题排查 ｜ 预计耗时：90 分钟 ｜ 前置：S6 全部验收通过 代码：我把埋了雷的
s7_bug_hunt.py交给你——你只拿症状清单，自己当侦探 答案在本文件最底部（做完再看，提前看=白做）
学习目标
- 掌握系统性排查顺序，改掉"到处乱试"的本能
- 在真实代码上诊断并修复 3 个典型训练 bug——每个都是工业界高频真实事故
- 学会写"症状→假设→验证→修复"四段式调试记录
核心知识
排查清单（按此顺序查，每步一个假设）
| 序 | 查什么 | 怎么验证 | 典型病 |
|---|---|---|---|
| 1 | 症状分类 | loss 不降？还是降了 test 不行？还是 NaN？ | 三类病入口不同 |
| 2 | 数据与标签 | 打印一个 batch 的 x 形状/范围、y 取值 | 标签错位、预处理不一致 |
| 3 | 损失函数与输出 | 类别数对不对？dtype 对不对？ | CE 要 long 标签 |
| 4 | 学习率 | 1e-3 起步；震荡=太大，不动=太小 | 数量级错误 |
| 5 | 梯度流 | 打印 w.grad 是不是 None / 是否累加 |
忘 zero_grad、忘 requires_grad |
| 6 | train/eval 模式 | 有 Dropout/BN 时忘了 eval()？ | test 分数异常低 |
三个埋雷症状（脚本一次跑完，三种症状同时出现）
- 症状 A（2026-11-11 实测）：loss 下降明显变慢、卡在高位（epoch2 仍 0.87），test 仅 67%——同配置正常应 85%+
- 症状 B（实测）：train loss 正常下降（1.61→0.70），test 准确率却只有 42%
- 症状 C（实测）：loss 失控爆炸——epoch1 平均 28400，test 12.8% ≈ 瞎猜水平（10 类随机 = 10%）
实验任务
任务 1：跑雷区脚本（5 分钟）
.venv/Scripts/python.exe s7_bug_hunt.py
（文件我已放在 model-learn/，内容故意不逐行讲——调试的第一课就是自己读别人的代码。）
任务 2：按清单排查，逐雷修复（60 分钟）
对每个症状写四段式记录（直接填在观察记录表或本阶段新笔记里）： 1. 症状：什么现象（抄关键输出） 2. 假设：我猜是哪一雷、为什么（引用排查清单的序号） 3. 验证：加了什么打印/改了什么，看到了什么 4. 修复：改动是哪一行，修完后数字变成多少
任务 3：复盘（15 分钟）
三个 bug 修完，回答：① 哪个雷最隐蔽，为什么？② 如果只有"test 分数低"这一个症状，你会先怀疑什么？③ 这三个雷分别对应排查清单的第几步？
⚠️ 答案区（做完任务 1-3 再看）
点开查看三个雷的答案
1. **症状 A（loss 卡住震荡）**：训练循环里**漏了 `opt.zero_grad()`**——梯度逐批累加，等效于步长越来越大（你在 S1-03 任务 2 亲手制造过一次） 2. **症状 B（test 烂）**：train 用 `ToTensor()`，test 却多加了 `Normalize(0.5, 0.5)`——**训练/推理预处理不一致**，模型看到的是两种分布 3. **症状 C（爆炸）**：`lr=10`——步子太大直接飞出。本机实测（Adam、2000 样本）loss 冲到 2.8 万、test 12.8%≈瞎猜；**没出 NaN 是 Adam 的自适应尺度兜了一下底**，换 SGD 或更大 lr 会直接 NaN（S1 改动实验 3 的极端版）验收标准
衔接下一阶段
会主动排雷 → S7-02 常见报错手册：被动遇到报错时也不怕。