过去的学习更偏向“把模型或 Agent 用起来”。这能快速做出东西，却不足以回答更底层的问题：模型为什么能学到表示，训练为什么会失败，实验结果又该怎样解释？

重新系统学习 Deep Learning，不是把已经见过的名词再背一遍，而是补齐三个环节：

  1. 可解释的直觉：先说清一个机制想解决什么问题。
  2. 准确的数学与代码：让直觉接受公式和实验的检验。
  3. 可复现的结论：记录条件、结果，以及与预期不一致的地方。

这个博客会保留“我当时怎样理解”的痕迹，包括错误和修正，而不只展示整理后的标准答案。

当前主线是 Fish Book → PyTorch → CS224N → CS336。技术栈会尽量保持不变，把精力留给内容。