最小基线：先让小模型在小数据上过拟合

复杂网络训练失败时，直接调学习率、换优化器和加层会让变量爆炸。可靠调试先建立最小基线：极小数据集、简单模型、确定预处理，并要求模型能过拟合几个样本。

过拟合小批量测试

取8到32个样本，关闭随机增强与正则，训练到接近零训练误差。若做不到，优先怀疑标签、损失、输出激活、梯度、数据归一化或评价代码，而非模型容量。

非学习基线

分类先看多数类、随机和线性模型；回归先看均值预测。深度模型必须在同一切分和指标下超过简单基线，才说明复杂度有价值。

单元测试数据

构造标签由一个明显特征决定的合成数据，检查网络能否学会；交换标签或置乱输入应让性能按预期下降。这比只在真实大数据上看曲线更容易定位。

固定随机性

保存种子、切分、初始权重和批次顺序用于复现故障，但最终还要跑多个种子，避免把偶然好初始化当结论。

一次改一项

每次实验只改变一个主要因素，记录配置差异与假设。多个改动一起提升，无法知道哪项有效。

冒烟测试通过后保存这一最小配置为持续回归；以后数据或模型重构都先跑它，避免耗费GPU后才发现基础管线断裂。

任务：为当前D2L模型完成多数类、线性、小批过拟合和标签置乱四项冒烟测试。