会代入和真正理解之间

看懂一页推导，不等于遇到新问题时知道该用它。矩阵乘法在模型里可以表示投影与混合，梯度告诉参数往哪里改，但具体训练是否稳定，还受数据、尺度、初始化和优化过程影响。我更想把公式和现象对起来：改变一个条件，结果为什么变？

公开的 Learning-Notes 仓库是这条学习线的原始记录。博客只整理一部分问题，不把学习笔记写成原创算法，也不拿“理解了深度学习”这种没有边界的话作结。

后续的阅读方法

每次遇到新模型，我想先标出三个层次：目标函数是什么、结构带来了什么归纳偏置、实验又实际验证了什么。论文里的解释不一定等于机制证明，公式漂亮也不等于部署容易。若能写一个小例子，我会同时保留反例，免得笔记只剩顺利跑通的截图。

当前重点是把 ML、DL、RL 的概念互相接起来，而不是追求覆盖所有术语。读得慢一点，留下能回头修改的线索，比快速收集摘要更适合这个 Garden。

一个会逼我回头看公式的问题

假如训练误差持续下降、验证误差却上升，我不会先背一个“过拟合”的标准答案就结束。数据是不是有重复或泄漏？划分方式是否破坏了时间顺序？模型容量、正则化和优化器各在起什么作用？同一个曲线形状可能对应不同的原因，必须回到数据与实验设置。

这种追问也适用于强化学习：回报变高时，策略是真的完成目标，还是钻了奖励函数的空子？数学笔记如果不能帮助我辨认这些歧义，就只是在积累符号。