训练与评估
深度学习模型完整的训练流程包含哪些核心步骤？每个步骤的核心目的是什么？
原题训练集、验证集、测试集的作用分别是什么？为什么不能用测试集参与模型调优？
原题模型训练过程中，“前向传播”和“反向传播”的核心逻辑是什么？二者的关系是怎样的？
原题训练过程中为什么要监控验证集指标？如果验证集损失不再下降，可能的原因有哪些？
原题什么是早停（Early Stopping）？在训练流程中如何合理设置早停的触发条件？
原题如何从训练集和验证集的损失/精度曲线区分过拟合和欠拟合？各自的曲线特征是什么？
原题过拟合产生的根本原因是什么？常见的场景有哪些？
原题针对过拟合问题，有哪些常用的解决方法？请分别说明其核心原理。
原题欠拟合的核心原因是什么？解决欠拟合的主要思路有哪些？
原题在实际项目中，如何判断模型当前是过拟合、欠拟合还是拟合良好？后续该如何调整策略？
原题数据增强为什么能缓解过拟合？它对欠拟合问题是否有帮助？为什么？
原题批量大小（Batch Size）的大小对模型训练有哪些影响？过大或过小的批量大小分别会带来什么问题？
原题学习率（Learning Rate）的核心作用是什么？学习率过大或过小会导致哪些训练问题？
原题批量大小和学习率之间是否存在关联？在调整批量大小时，为什么通常需要同步调整学习率？
原题常用的学习率调整策略有哪些（如余弦退火、阶梯下降等）？各自适用于什么场景？
原题在实际项目中，如何选择初始学习率和批量大小？有哪些实用的调试方法？
原题小批量随机梯度下降（Mini-Batch SGD）相比批量梯度下降（BGD）和随机梯度下降（SGD）有哪些优势？
原题正则化的核心目的是什么？它是如何缓解过拟合的？
原题L1正则化和L2正则化的数学形式分别是什么？二者在效果和原理上有哪些核心区别？
原题Dropout的核心原理是什么？训练阶段和测试阶段对Dropout的处理有何不同？为什么要这样处理？
原题除了L1/L2和Dropout，还有哪些常用的正则化方法？请简要说明其原理（如权重衰减、BatchNorm、早停等）。
原题权重衰减（Weight Decay）和L2正则化的关系是什么？在实际使用中需要注意什么？
原题Batch Normalization是否属于正则化方法？它是如何起到正则化效果的？
原题
暂无题目