1先把厨房搭好：环境安装
在命令行里创建 conda 环境并激活它，敲出激活成功的提示符。
第 1 页 · 正面（题目）
2Jupyter：会讲故事的笔记本
在 Jupyter 里用 Python 算出 1+2+…+100 的和，并截图给家长看。
3数据怎么进模型：Dataset 与 DataLoader
数一下自己手机里一个相册有多少张照片，如果 batch_size=64，要分几批送完？
4看懂训练曲线：loss 在说什么
观察一次训练的 loss 曲线，回答：它是在下山、在平地上走，还是在爬坡？
5过拟合实战：两个刹车怎么用
记录两组实验结果：训练样本 200 个和 2000 个时，训练 loss 和测试 loss 各是多少？
6学习率：最重要的一个旋钮
用三个学习率各训练 10 轮，记录最终 loss，找出最好的那个。
7微调：站在巨人肩膀上
用手机拍两类物品各 10 张照片，说说你会怎么组织数据来做微调。
8没有显卡怎么办：云端算力
在 Colab 上运行一段「import torch; print(torch.cuda.is_available())」，看看结果是什么。
9从跑通到复现：你的第一个完整实验
设计一个图像分类小实验，写下：问题、数据来源、模型、超参数、预期结果。
第 1 页 · 背面（答案）
参考答案（家长）：sum(range(1,101)) 得 5050。顺便可以讲讲高斯小时候的故事：(1+100)×100÷2。
参考答案（家长）：conda create -n d2l python=3.9，然后 conda activate d2l。提示符前面出现 (d2l) 字样即成功。版本号不必拘泥，3.9 或以上都行。
参考答案（家长）：正常应该整体往下走，允许小幅度抖动。如果往上爬或完全不动，先查学习率，再查数据有没有接错。
参考答案（家长）：照片数除以 64 向上取整。比如 1000 张就是 16 批（最后一批只有 40 张）。这就是 DataLoader 里 len() 在数的东西。
参考答案（家长）：通常中间档最好：太大震荡，太小太慢。孩子能说出「先大后小」的道理，这节就过关了。
参考答案（家长）：数据变多后，测试 loss 应明显下降，训练和测试的差距缩小——这证明「加数据」本身就是最好的正则化，胜过一切技巧。
参考答案（家长）：选择了 GPU 运行时就是 True，表示免费显卡已经就位。如果是 False，在菜单「代码执行程序—更改运行时类型」里选 GPU。
参考答案（家长）：建 train 文件夹，里面分两个子文件夹（每类一个），照片按类放好，测试集单独留几张不参与训练。目录结构就是 PyTorch 读取标签的方式。
参考答案（家长）：例——识别苹果、橙子、香蕉；各拍 50 张，微调 ResNet；学习率 0.001、批大小 32；预期准确率 90% 以上。只要五要素齐全，方案就算合格，结果好坏反而是次要的。