间隔复习计划
间隔复习计划
一句话定义
间隔复习用来解决“今天觉得懂了，三天后讲不出来”的问题。每篇论文至少复习 4 次：当天、第 2 天、第 7 天、第 21 天。
为什么需要间隔复习
深度学习论文的难点不是单次阅读，而是把概念、公式、代码和表达长期连接起来。间隔复习的目标是让你每次重新提取知识，而不是反复重看材料。
复习节奏
| 时间点 | 任务 | 产出 |
|---|---|---|
| D0 当天 | 完成一页笔记和最小代码检查 | 一页笔记、关键 shape |
| D1 第二天 | 不看笔记，口头复述 2 分钟 | 复述稿或录音要点 |
| D7 一周后 | 做 3 个追问，补一个薄弱点 | 错题记录 |
| D21 三周后 | 和另一篇论文比较 | 对比表或 3 分钟汇报 |
自动查看当天复习任务
在仓库根目录运行：
& 'C:\Users\小王神棍\.cache\codex-runtimes\codex-primary-runtime\dependencies\python\python.exe' '12_深度学习原理与经典论文路线\scripts\review_schedule.py' --day 32
把 --day 32 改成当前天数。日常更推荐直接运行 scripts/study_dashboard.py --day N，它会把当天主任务、间隔复习、证据目标和证据缺口一起输出。
说明：脚本按每篇论文的首次学习日自动生成 D0、D1、D7、D21 复习任务。复习任务是“提取练习”，不是重看材料；如果当天任务很多，只做 5-10 分钟复述即可。
12 篇论文复习登记表
| 论文 | D0 一页笔记 | D1 复述 | D7 追问 | D21 对比 | 当前最薄弱点 |
|---|---|---|---|---|---|
| word2vec | |||||
| ResNet | |||||
| Attention | |||||
| Transformer | |||||
| GPT | |||||
| BERT | |||||
| GPT-3 | |||||
| Scaling Law | |||||
| Chinchilla | |||||
| RLHF | |||||
| LoRA | |||||
| Diffusion |
每次复习只问四类问题
1. 研究问题
这篇论文之前，大家卡在哪里？
2. 方法机制
这篇论文用了什么关键机制？它为什么可能有效？
3. 证据
论文用什么实验、曲线或案例证明它有效？
4. 边界
这篇论文没有解决什么？我的 notebook 没复现什么？
论文对比复习题
D21 复习时优先做对比，而不是重读原文。
| 对比 | 要讲清的问题 |
|---|---|
| word2vec vs BERT | 都是语言表示，训练目标有什么不同？ |
| ResNet vs Transformer | 一个主要解决深层视觉网络训练，一个解决序列建模，结构创新点分别是什么？ |
| Attention vs Transformer | attention 是机制，Transformer 是完整架构，这句话如何解释？ |
| GPT vs BERT | 自回归和 masked language modeling 的差异是什么？ |
| GPT-3 vs Scaling Law | GPT-3 是现象展示，Scaling Law 是经验规律总结，证据类型有什么不同？ |
| Scaling Law vs Chinchilla | 为什么 Chinchilla 会强调 token 数和 compute-optimal？ |
| RLHF vs LoRA | 一个改变对齐训练流程，一个改变参数高效适配方式，适用场景有什么不同？ |
| Transformer vs Diffusion | 一个主要建模 token 序列，一个主要建模去噪生成，训练目标如何不同？ |
每周固定复习流程
每周末用 45 分钟做：
- 选 2 篇已经学过的论文。
- 不看原文，各写 5 句话。
- 打开
掌握度追踪表.md更新分数。 - 把答不出来的问题写入
错题与薄弱点复盘.md。 - 选择下周只补一个最薄弱点。
给 AI 的间隔复习提示词
你是我的深度学习论文复习教练。请按间隔复习方式检查我是否还记得这篇论文。
论文：
【论文名】
我的不看笔记复述：
【粘贴复述】
请做：
1. 判断研究问题、方法机制、证据、边界四项是否清楚
2. 每项只给“通过/不通过”
3. 对不通过项提出一个追问
4. 最后给一个 20 分钟补救任务