Day01 示范答案与反例：tensor、loss、gradient
Day01 示范答案与反例：tensor、loss、gradient
使用原则
这份文件只用于校准表达，不可以直接复制进 结业证据档案.md 当作个人证据。真正的证据必须包含你自己的例子、你检查过的 shape、你仍然不懂的问题。
1. tensor
不合格写法
tensor 就是张量，是深度学习里的数据。
问题：
- 只是换了一个词，没有说明它解决什么问题。
- 没有例子。
- 没有 shape。
可接受示范
tensor 可以理解为带有维度结构的数值容器。深度学习模型不能直接处理“图片”“词语”这些原始对象，通常要先把它们变成 tensor。比如一张灰度图片可以表示成[height, width]，一批彩色图片可以表示成[batch, channels, height, width]。
你必须自己补
- 我自己的例子：
- 我能写出的 shape：
- 我还不懂的地方：
2. loss
不合格写法
loss 是损失函数，越小越好。
问题：
- 没说 loss 为什么存在。
- 没说 loss 连接预测和训练目标。
- 没有说明“越小越好”也依赖任务和数据。
可接受示范
loss 是模型预测和目标答案之间的差距度量。训练时，模型会先输出一个预测，再用 loss 判断这个预测错得有多严重。比如分类任务中，如果正确类别是“猫”，但模型把“狗”的概率预测得很高，loss 就会比较大。
你必须自己补
- 我自己的例子：
- loss 越小通常说明什么：
- loss 不能说明什么：
3. gradient
不合格写法
gradient 是梯度，用来更新参数。
问题：
- 太短，无法判断是否理解。
- 没说 gradient 和 loss 的关系。
- 没说 optimizer 的角色。
可接受示范
gradient 表示参数变化会怎样影响 loss。训练时，我们希望调整参数让 loss 下降，所以需要知道每个参数往哪个方向改更可能降低 loss。optimizer 会根据 gradient 和自己的更新规则，比如学习率，真正修改参数。
你必须自己补
- 我自己的例子：
- gradient 和 optimizer 的关系：
- 我仍然不懂的地方：
4. 训练神经网络到底在训练什么？
不合格写法
训练神经网络就是让模型变聪明。
问题：
- 这是日常说法，不是课程或组会表达。
- 没有说参数、loss、数据。
可接受示范
- 训练神经网络是在用数据调整模型参数。
- loss 衡量当前预测和目标之间的差距。
- gradient 和 optimizer 根据这个差距更新参数，让模型在训练目标上表现更好。
你必须自己补
把上面 3 句改成你自己的版本：
1. 2. 3.
5. 能放进结业证据的最低版本
下面是结构示例，不是可复制答案：
证据项：Day01 tensor/loss/gradient 概念证据
是否完成：部分完成，已填写 Day01_概念工作纸和 Day01_学习记录
备注：我目前能用自己的话解释 tensor 是带 shape 的数据容器，loss 是预测和目标的差距，gradient 是参数调整方向；还不确定反向传播如何具体计算每层 gradient。
我仍然不确定的地方：反向传播如何从最后一层传回前面层。
下一步补强动作：Day2 前用一个 `y = Wx + b` 的 toy 例子写出 x、W、b、y 的 shape。
6. 给 AI 的检查提示词
请检查我对 tensor、loss、gradient 的 Day01 回答是否像自己的理解，而不是复制定义。
要求：
1. 判断每个概念是否有直觉解释、具体例子、shape 或训练关系、理解边界
2. 指出哪一句最空泛
3. 追问我 3 个问题，不要直接给答案
4. 给一个 20 分钟补强任务
我的回答：
【粘贴 Day01_概念工作纸】