把「做项目」从「复现一个算法」重新定义为「打通一条可运行的工程流程」，并给出卡壳时的三级求助 SOP 与「该学什么、不必纠结什么」的取舍标准。
一、这份材料解决什么问题
新闻分类项目是一条四模型逐级对比的路线：TF-IDF + 随机森林 → FastText → BERT 微调 → LLM（DeepSeek API），再做模型压缩与 Flask + Streamlit 部署。每一环都有现成教程，但教程只教「怎么跑通」，不教「跑不通怎么办」，也不教评审者会从哪儿切进来问。
这份材料是整门课的第 0 章，只回答四个前置问题：什么是项目、为什么做项目、真正学什么、遇到问题怎么办。它不含算法知识，却决定你把时间花在「抄四个能跑的脚本」上，还是「攒下一套能讲、能扛追问的工程经验」上。
二、核心结论
- 项目 ≠ 算法验证。让 RNN/CNN/Transformer 跑通是「实验」或「Demo」；把算法与前后端代码串成一条可运行流程、解决一个具体问题（文本分类、图像识别），才叫项目。
- 做项目考查，不是考背书。背 100 道题也遇不到项目里真实的坑；项目练的是「解决问题的肌肉记忆」。
- 重心是「爬坑过程 + 流程 + 结构」，不是某个函数怎么传参，课上给的只是「条条大路」中被挑出来演示的那一条。
- 项目类考查以流程、思想、结构为主，具体实现只问关键部分（材料举的例子是梯度回传）。跑通后鼓励你换别的合理实现。
- 卡壳走三级求助：先搜索（90% 是低级错误）→ 再问同伴/同事（共性环境问题）→ 最后才问技术总监。
三、知识地图
权重为【理解】，原材料共 1 页、4 个论点：
| 层级 | 要点 | 权重 |
|---|---|---|
| 1 什么是项目 | 实验 / Demo = 验证算法能不能跑通；项目 = 算法 + 前后端代码串成可运行流程，解决具体问题。本课特意精简：砍掉复杂界面 / 数据库 / 网络通信，只保留最核心流程 | 【理解】 |
| 2 为什么要做项目 | 做项目考查、不考背书；背 100 道题遇不到项目里的「大坑小坑」；练的是「解决问题的肌肉记忆」，环境版本冲突怎么修 / 报错日志怎么看 / 训练不收敛怎么调 | 【理解】 |
| 3 学什么 | 重点 = 爬坑的过程、项目的流程和结构、解决问题能力；非重点 = 某个函数如何传参、如何调用；考查以流程 / 思想 / 结构为主，实现只问关键部分（如梯度回传） | 【理解】 |
| 4 遇到问题怎么办 | 第 1 步搜索（GPT / 百度 / 论坛 / Stack Overflow），90% 是低级错误：写错标点、拼错字母、漏小括号、忘取下标；第 2 步问同学 / 同事，排查共性问题（环境配置、数据路径）；第 3 步无效才问技术总监。附：代码卷面分尽量满分（下划线、波浪线、格式警告） | 【理解】 |
四、原理详解
本页为纯文字页，抽取稿记录原图 0 张，故本节无图片与图注。
4.1 项目 ≠ 算法验证：三个层级
| 层级 | 做的事 | 交付物 |
|---|---|---|
| 算法验证 | 跑通公开代码或官方示例 | 一个能跑的脚本 / 一个指标数字 |
| Demo / 实验 | 换成自己的数据，随手加个输入输出 | 一个演示效果 |
| 项目 | 算法 + 前后端代码串成可运行流程 | 解决一个具体问题的完整系统 |
本课交付的不是「BERT 准确率 0.9x」，而是「输入一条新闻标题 → 输出 10 个类别之一」这条链路：停用词过滤 → TF-IDF 向量化 → 四个模型各出一版预测 → 模型压缩 → 服务端与客户端能调起来。四个模型只是链上可替换的一节，链路本身才是项目；砍掉界面、数据库、网络通信，是为了把学习预算压在「流程 + 坑」上。
4.2 做项目为什么值得投入：肌肉记忆靠看学不会
知识可以背，技能只能练。你能复述「学习率太大会震荡」，但真训练不收敛时，仍不知道该先降学习率、先看 loss 曲线，还是先查标签错位。材料点了三个必须亲手做才会的场景：环境版本冲突怎么修（文档里看不出）、报错日志怎么看（从几十行 traceback 里定位到真正那行）、训练不收敛怎么调（loss 不降 / 变 NaN / 指标不动）。题库覆盖知识面，项目覆盖问题面，不能互相替代。
4.3 该学到什么抽象层次：记流程，不背传参
TfidfVectorizer(stop_words=停用词).fit_transform() 的参数名换个库就作废，但「先拟合词表再变换数据」这个顺序不会作废。材料的取舍线是：流程与结构 + 解决问题能力是重点，某函数如何传参、如何调用不是重点，演示的只是一条可行路径（「条条大路通罗马」，实现千变万化），而被追问以流程、思想、结构为主，实现只问关键部分。分界线的具体样子：
- 必须能讲机制的（关键部分）：
optimizer.zero_grad()为什么要在loss.backward()之前、梯度如何从 softmax 一层层传回 embedding。 - 知道有这么回事、用时查文档即可：
test()返回的几个元素是什么、某个参数默认值是多少。
材料留了出口：跑通之后可以尝试其他合理的实现方式，那才是补齐非重点的时机。
4.4 三级求助法
| 级别 | 动作 | 适用判断 |
|---|---|---|
| 1 | GPT、百度、论坛、Stack Overflow 搜索 | 报错可复制、问题通用；90% 是低级错误 |
| 2 | 问同组同学 / 同事 | 怀疑是共性问题：环境配置、数据路径 |
| 3 | 问技术总监 | 前两步确实无效的疑难，低频且有价值 |
第 1 步的失败模式极其集中，材料直接列了清单：写错标点、拼错字母、漏了小括号、忘了取下标，共同点是编译器通常已经标出来了，只是人没看。由此有那条附注：代码「卷面分」尽量满分，让下划线、波浪线、格式警告保持干净，因为满屏黄红会淹没真正的错误。
五、易错点与常见误解
常见说法：我把 Transformer 跑通了，就有项目经验了。实际上，那叫实验或 Demo。原因：评审者会问你在数据管道、部署、对比实验上做了什么决策，只跑过单文件的人在这里立刻断档。
有人以为刷够题库就够了，项目可以背书上的。实际上，题库补知识面，项目补问题面。原因：八股题有标准答案，项目追问没有。
常听到的一种说法是：学项目就是逐行搞懂每行代码、记住每个函数参数。实际上，核心是爬坑过程、流程与结构。原因：实现换库换版本就作废；流程与结构可迁移，且正是追问重点。
容易想岔的地方：既然只考流程与原理，关键实现（如梯度回传）也不用深究。实际上，「以流程、思想、结构为主」不等于不考实现。原因：把「不纠结传参」读成「不学原理」是过度外推。
先说一个误解：报错能跑通就行，代码格式无所谓。实际上，卷面分要尽量满分。原因：调试的第一步是「看见」错误，格式噪声会掩盖它。
六、横向对比与研究脉络
| 学习路径 | 优点 | 缺点 | 适用场景 | 成本 |
|---|---|---|---|---|
| 背高频题（八股） | 见效快，覆盖概念面 | 遇不到真实报错，追问决策就露馅 | 考前概念补漏 | 低 |
| 只看教程不动手 | 快速建立路线全貌 | 环境、报错、调参全靠猜 | 项目启动前的预览 | 低 |
| 只跑通 Demo | 快速确认方案可行 | 无数据管道、无部署、无多方案对比 | 算法选型预研 | 中 |
| 抠实现细节（传参/调用） | 单点理解深 | 换库即失效，考查命中率低 | 跑通后的加餐 | 中 |
| 走完整流程 + 复盘坑 | 有故事可讲，能力可迁移 | 耗时长，需要有人指路 | 求职主项目 | 高 |
这套观点对齐了两条公认的学习理论脉络：技能获得的分阶段模型（新手 → 高级新手 → 胜任者 → 精通者 → 专家）指出，进入「胜任者」后能力增长主要来自情境化经验而非规则记忆；刻意练习强调在反馈中重复弱项。对应到本材料就是三句：光看不行、只跑 Demo 不行、只看流程不抠关键实现也不行，「爬坑过程」被放在第一位，正因为它就是反馈最密集的地方。
七、这套学习方法在新闻分类项目 / 求职复习中的具体用法
1）先给项目做体检。用一句话写清交付物：输入一条新闻标题，输出 10 个类别之一。再对照清单自检，数据（训练 18w / 测试 1w / 验证 1w，格式 标题\t标签，749 个停用词）、四模型对比、模型压缩、部署（Flask + Streamlit）。缺哪环补哪环，而不是把 BERT 准确率再刷高一点。
2）把「斌子法则」当结构骨架背下来。加载配置 → 准备数据/模型/损失/优化器 → 外层轮次 + 内层批次 → 前向 → 算损失 → 梯度清零 → 反向 → 更新 → 保存模型/参数字典。这套骨架跨模型通用：换 FastText（train_supervised()）或改成调 LLM API，只是中间几节被替换。
3）复习时间按关键 / 非关键分配。必须能讲机制的：梯度回传链路、zero_grad() 的位置与原因（PyTorch 梯度默认累加）、蒸馏损失 loss = (1-alpha)*hard_loss + alpha*(T*T)*soft_loss 里 T*T 的缩放作用。知道有这回事即可的：TfidfVectorizer(...).fit_transform() 的各参数名、quantize_dynamic() 的各开关。
4）把三级求助搬进排错。第 1 步典型覆盖环境类（版本冲突、CUDA 与驱动不匹配）和低级错误，注意本项目数据分隔符是 Tab（标题\t标签），FastText 格式是 __label__标签名 文本（空格）。第 2 步的「共性问题」在项目里很具体：数据路径、环境配置、停用词文件位置，一出问题通常是全班共性。
5）卷面分和「记坑」一起做，并让四个模型服务于一条对比主线。每个坑记三件事，现象（报错原文）、原因（哪一层出问题）、解法（改了什么），这份清单就是讲解时最有力的素材。四个模型走同一套数据管道与评估口径（准确率 / 召回率，带上混淆矩阵），对比才有意义；这条「逐级对比」的主线本身就是项目叙事。
八、重点问答
Q1：项目和一个实验 / Demo 有什么区别？
A：区别在交付物形态。跑通一个算法、拿到一个指标，那是实验或 Demo；项目是把算法和前后端代码串成一套可运行流程，去解决一个具体问题，比如新闻标题分成 10 类。我这个项目还特意精简过，去掉复杂界面、数据库和网络通信，把重点压在最核心的流程上，判断标准很简单：项目是别人拿着能用的东西。
Q2：评审者问项目，主要考察什么？
A：考察你是不是真亲手做过。一是流程和结构，数据怎么进、模型怎么训、结果怎么评、服务怎么起；二是解决问题的能力，项目里真实的坑和高频题里的坑完全不是一回事。背 100 道题也遇不到「训练不收敛」这种问题，它只能证明知识面。
Q3：具体代码记不住、被追问某个函数传参怎么办？
A：我先分清层次。流程、结构、思想必须记住，因为它可迁移，也正好是追问重点；某个函数怎么传参，我知道有这么个东西、用时查文档，不硬背，课上给的只是众多可行实现中的一条路。但关键部分我会深抠，比如梯度回传的链路、loss 里各项的作用。
Q4：遇到报错你怎么排查？
A：按三级来。第一步自己搜，GPT、搜索引擎、论坛、Stack Overflow，因为大概 90% 都是低级错误，标点、拼写、括号、下标，通常编译器已经标出来了，只是我没看；第二步问同学或同事，主要看是不是共性问题，比如环境配置、数据路径；第三步才是问技术总监。跳过前两步，既没积累经验，也容易被认为经验不足。
Q5：讲一下你项目里的训练流程。
A：我按固定骨架讲：加载配置 → 准备数据、模型、损失、优化器 → 外层轮次加内层批次 → 前向、算损失、梯度清零、反向、更新 → 保存模型和参数字典。这个骨架跨模型通用，换成 FastText 或调 LLM API，中间几节被替换，整体结构不变。有两处顺序我不会动：梯度清零必须在反向之前，否则梯度累加；蒸馏损失的软标签部分要乘 T*T。
九、延伸阅读
同课程内可对照的材料：项目全流程串讲与知识点索引，以及 3.2Fasttext/、3.3Bert模型/、3.4LLM/、4.1模型压缩/（第七节提到的模型与压缩环节的展开材料）。
第 4.4 节第一步常去的地方：Stack Overflow（https://stackoverflow.com）、Python 官方文档（https://docs.python.org/3/）、PyTorch 官方文档（https://pytorch.org/docs/stable/）、Hugging Face Transformers 文档（https://huggingface.co/docs/transformers）、DeepSeek API 文档（https://api-docs.deepseek.com）；具体库的 GitHub Issues 按报错关键字检索往往比通用搜索更快命中。代码风格依据见 PEP 8。