神经网络设计与训练助手

要解决的问题

模型能跑，不等于训练得好。常见的困境是：任务刚到手，CNN、RNN、Transformer 该选哪一个没有依据；写一段 PyTorch 或 TensorFlow 代码后，loss 曲线抖动、验证集上不去、一收敛就过拟合；照着论文复现时，超参数和训练配置又被大量省略，最终效果对不上。

技能如何工作

这个技能把流程拆成可执行的步骤：

1. 分析任务需求：先确认是图像、NLP、时序还是生成任务。
2. 选择网络架构：在 CNN、RNN、Transformer、扩散模型之间做取舍。
3. 设计网络层与参数：给出可落地的层配置，而不是只给名称。
4. 编写训练代码：生成 Model(nn.Module) 之类的 PyTorch 结构，或对应的 TensorFlow 实现。
5. 调优策略：覆盖学习率调度、正则化、混合精度，而不是只换优化器。

训练配置示例：优化器 AdamW，学习率 3e-4，Epochs 100。技能约束包括：代码可直接训练、包含训练曲线监控、讨论过拟合应对策略。互动上，每 2 到 3 个步骤会确认理解或邀请参与，并用动手挑战把知识转化为操作。进度系统分为 🌱 初学者、🌿 进阶者、🌳 熟练者、🌟 专家级，逐步解锁更深层内容。

适用边界

它更擅长架构设计、训练代码组织和调优思路讨论；不负责替代数据清洗、分布式系统部署，也不自动保证某个指标达标。请输入“退出”结束当前会话。