阶段：S8-综合实践 ｜ 预计耗时：3-4 次学习时段（首次含 170MB 下载）｜ 前置：S7 全部验收通过 代码：
model-learn/s8_cifar10.py（本次自己从零写完整脚本，不再给骨架——毕业项目第一块） 目标成绩：验证集准确率 ≥ 70%（CPU 小 CNN 的合理天花板约 70-78%）
学习目标
把 S0-S7 全部技能在彩色图片分类上完整串一遍。CIFAR-10 比 MNIST 难一个档次：3 通道、内容复杂、32×32 分辨率低——你会第一次遇到"准确率到不了 99%"的真实情况，学会与合理目标共存。
核心知识
1. 与 MNIST 的三个不同
- 3 通道：输入
(N,3,32,32)；网络第一层Conv2d(3, 32, 3, padding=1) - 必须用 BatchNorm：
nn.BatchNorm2d(通道数)放在 conv 和 ReLU 之间，稳住训练、加速收敛（eval()的行为差异这次是真实存在的） - 增强是刚需：随机翻转 + 裁剪是 CIFAR 的标配，不做增强基本到不了 70%
2. CPU 预算（本机实测后回填）
- 50000 张训练，小 CNN（3 个 conv block + 2 个 Linear）约 200k-400k 参数
- 预计 1-2 分钟/epoch（首跑后把实测值写进这里），20 epoch 约 30 分钟——放后台跑
- 下载 170MB：官方源不稳时用镜像或手动下载放
data/cifar-10-batches-py/
3. 项目四步（对应四个学习时段）
- 脚本骨架：数据 + 模型 + 训练循环 + 保存曲线（跑通 1 epoch）
- 加增强 + BatchNorm，全量 20 epoch（后台），记录曲线
- 网格小搜索：lr {1e-3, 3e-3} × dropout {0.3, 0.5}（4 组，每组缩短到 8 epoch 探路）
- 定稿配置全量重训 + 混淆矩阵看哪两类最容易混（猫狗、猫鸟）
实验任务
全部自己写。可用清单（不提供代码）：
- [ ] transforms.Compose([RandomCrop(32, padding=4), RandomHorizontalFlip(), ToTensor(), Normalize(...)]) 只给 train
- [ ] 模型：conv(3→32)-BN-ReLU-pool ×2 + conv(32→64)-BN-ReLU-pool + Flatten + Linear(6444,128) + Dropout + Linear(128,10)
- [ ] 每 epoch 记录 train/val 双线，最后画图存档（S4-01 的模板直接复用）
- [ ] torch.save(state_dict) 保存最佳模型（S3-03 的技能）
- [ ] 手算混淆矩阵（S6-01 的技能）
验收标准
衔接下一阶段
第一个完整项目 → S8-02 表格数据 LightGBM：换一个赛道——不训练神经网络的那条高价值路线。