跳转至

学习路线图

DL-Hub 当前把课程组织为 8 条学习赛道。推荐路线不是硬性依赖：每个 lesson 都以可运行入口为边界，并提供离线数据路径和可重复的验收方式。

推荐顺序

  1. Foundations：Tensor、autograd 与训练循环，建立公共基础。
  2. Vision：从 LeNet 到视觉 Transformer，理解分类、检测与分割任务。
  3. NLP：从文本分类到序列标注、注意力与 Transformer。
  4. GNN：从图卷积到节点、边和图级任务。
  5. Point Cloud：点集建模、邻域聚合、分类、分割与三维任务。
  6. Generative：VAE、GAN、Diffusion 与 Flow Matching。
  7. LLM：Causal LM、参数高效微调、指令学习与论文机制实验。
  8. Multimodal：视觉语言对齐、检索、问答和跨模态融合。

各赛道的当前 lesson 清单和准确命令见学习赛道总览。统计数字由 python scripts/project_stats.py --write 维护，不在本页复制易漂移的快照。

按时间选择路线

路线 建议内容 适合目标
Weekend Sprint Foundations 2 课 → Vision 前 2 课 → Generative 第 1 课 → LLM 第 1 课 快速建立完整训练闭环
Two-Week Deep Dive Foundations → Vision 5 课 → NLP 4 课 → GNN 3 课 → Generative 2 课 → LLM 1 课 → Point Cloud 1 课 横向理解主要任务范式
Full Curriculum 按上述推荐顺序完成全部 8 条赛道 系统学习并进行机制对照

每个 lesson 如何学习

  1. 先读 lesson 的 README.md，确认目标、输入、指标与验收标准。
  2. 用 python scripts/run_lesson.py <track> <lesson> --describe 查询真实 CLI。
  3. 先运行 fake 或内置 synthetic 离线路径，再切换真实数据或扩大训练规模。
  4. 检查 outputs/<track>/<lesson>/<run_name>/ 下的配置、指标与 checkpoint。
  5. 修改一个机制并重复实验，而不是只记录一次“能运行”。

训练型 lesson 通常包含 model.py、data.py、train.py 和 README.md；基础演示或特殊任务可以精简，但必须满足实现契约和运行约定。

验证强度

层级 命令 能证明什么
静态契约 make verify 代码风格、课程入口、命名叙事与 Zoo 审计元数据一致
精选运行 make smoke 8 条赛道的代表性离线链路可运行
针对性测试 python -m pytest -q tests/<file>.py 本次改动涉及的行为没有回归
完整测试 make test 仓库测试套件在当前环境通过

这些层级不能互相替代；需要依据改动范围选择足以支撑结论的验证。开发者完整流程见测试指南。