很多人一开始学深度学习，最先感受到的不是“难”，而是“乱”。

一会儿看到 CNN、Transformer、ResNet，一会儿看到 训练集、验证集、测试集，一会儿又冒出 loss、mAP、量化部署。问题不在于这些词太多，而在于它们根本不在同一个层面，但初学者往往会在同一时间接触到它们，于是脑子里没有结构，只有名词。

所以我的这篇文章不打算把所有的细节一次性讲完，而是先做一件更重要的事：给你一张地图。

这张地图只有一条主线，讲清楚深度学习究竟是个什么玩意：

任务 -> 数据 -> 模型 -> 训练 -> 评测 -> 部署

看完这篇文章，你至少应该建立三个判断：

1. 一个完整的深度学习项目，到底会经过哪些环节。
2. 常见术语分别属于哪一层，不该混着理解。
3. 后面继续学习时，应该按什么顺序补知识。

先看整张图

先不要急着进公式，也不要急着背模型名字。站在工程视角，一个深度学习项目通常会这样展开：

业务问题
  ↓
任务定义
  分类 / 检测 / 分割 / 生成 / 检索
  ↓
数据准备
  采集 / 标注 / 清洗 / 划分 / 增强
  ↓
模型设计
  网络结构 / backbone / head / 参数
  ↓
训练优化
  loss / optimizer / learning rate / batch / epoch / 反向传播
  ↓
评测验证
  accuracy / precision / recall / F1 / mAP / IoU
  ↓
部署上线
  推理速度 / 显存占用 / 量化 / 压缩 / API / 边缘端
  ↓
线上反馈与迭代
  数据回流 / 误差分析 / 模型更新

如果你只想记住一件事，那就记住这条线。因为后面你接触到的绝大多数概念，其实都能放回这 6 个环节中的某一个位置。

为了让这条主线更具体，下面我用一个最常见的例子来串联全文：猫狗分类。

假设我们现在要做一个模型，输入一张图片，输出“猫”或“狗”。这个例子足够简单，但它已经具备了完整深度学习流程的所有核心环节。

1. 任务：先说清楚，你到底要解决什么问题

深度学习不是目标，任务 才是目标。

很多初学者一上来就问：“我该学 CNN 还是 Transformer？”但在真正开始之前，更应该先问的是：我要让模型做什么？

常见任务大致可以分成几类：

• 分类：判断图片属于哪一类，比如猫还是狗。
• 目标检测：不仅要知道图里有什么，还要框出目标的位置。
• 图像分割：不仅要框出目标，还要把每个像素归到对应的类别。
• 生成：让模型生成图像、文本、音频、视频等内容。
• 检索/匹配：给定一个输入，从数据库里寻找找最相似的结果。

这些任务的差别，不只是名字不同，而是 输入、输出、标签形式、评价指标 都有可能不同。

以猫狗分类为例，这个任务的定义非常明确：

• 输入：一张图片
• 输出：猫或狗
• 标签：每张图一个类别标签
• 目标：让模型尽可能正确地区分两类

你会发现，一旦任务定义清楚了，后面的很多事情其实已经被约束住了。比如你该收集什么数据、该怎么标注、该用什么指标、部署时更看重什么，都会围绕任务展开。

所以任务这一层解决的是：我们到底要让模型完成什么工作。

2. 数据：模型能学到什么，很大程度上由数据决定

如果说任务定义了方向，那么数据决定了模型能不能走到那个方向上。

在深度学习里，模型不是凭空变聪明的，它是从数据中学习规律。你给它什么样的数据，它就学什么样的模式；你漏掉什么样的情况，它就很可能在那种情况上出错。

一个完整的数据环节，通常至少包含这几件事：

• 采集：数据从哪里来，是否覆盖真实场景。
• 标注：标签是否准确，标注规则是否统一。
• 清洗：是否存在脏数据、重复数据、错误标签。
• 划分：训练集、验证集、测试集如何拆分。
• 增强：是否通过旋转、裁剪、翻转等方式提升泛化能力。

还是以猫狗分类为例。你可能会收集几万张猫和狗的图片，然后给每张图标上 cat 或 dog。但这还不够，你还要继续问几个问题：

• 图片是不是只来自一种拍摄角度？
• 猫和狗的数量是否严重不平衡？
• 有没有模糊图、重复图、错标图？
• 训练集和测试集之间有没有“长得几乎一样”的图片？

这些问题会直接影响最终效果。很多时候，模型性能上不去，不是因为网络不够复杂，而是因为数据本身有问题。

这里顺带说几个最基础但非常重要的概念：

• 训练集：用来更新模型参数。
• 验证集：用来调参、选模型、观察是否过拟合。
• 测试集：只在最后用来做一次相对客观的评估。

这三者不能混。尤其测试集，不能一边看测试结果一边改模型，否则你的“最终成绩”就不再客观了。

所以数据这一层解决的是：模型到底靠什么学习，以及这些学习材料是否可靠。

3. 模型：你准备用什么结构去表达规律

有了任务，也有了数据，接下来才轮到很多人最熟悉的一层：模型。

模型可以简单理解为一个带参数的函数。它接收输入，经过一系列计算，输出结果。深度学习之所以叫“深度”，本质上是因为这个函数由很多层可学习结构堆叠而成，能够表达复杂模式。

不同模型的核心区别，在于它们用什么结构去提取和组织信息。

比如：

• CNN 擅长处理局部空间结构，长期是视觉任务中的主力。
• Transformer 更擅长建模全局关系，如今在视觉和自然语言中都非常常见。
• ResNet、ViT、UNet 这些名字，本质上都是不同任务背景下的具体网络结构方案。

在这一层，你经常会看到一些术语：

• backbone：负责提取基础特征的主干网络。
• head：接在后面完成具体任务输出的部分。
• encoder/decoder：常见于表征压缩与重建、序列建模等结构。
• 参数：模型中需要通过训练学习得到的数值。

以猫狗分类为例，我们完全可以选一个经典的小型模型，比如 ResNet18。这意味着模型会把输入图片逐层变换，提取边缘、纹理、局部形状，再逐渐组合成更抽象的类别特征，最后输出“猫”和“狗”的概率。

很多新手容易犯一个错误：把模型当成深度学习的全部。

但实际上，模型只是整个链路中的一个环节。模型选得再好，如果任务没定义清楚、数据质量很差、训练过程有问题、评测方法不合理，结果依然可能很差。

所以模型这一层解决的是：我们准备用怎样的网络结构去学习输入和输出之间的映射关系。

4. 训练：让模型参数朝正确方向一点点更新

模型搭好了，不等于模型已经会做题。它还需要经过 训练。

训练的本质，可以理解为一个反复试错和修正参数的过程：

1. 模型先根据当前参数做一次预测。
2. 把预测结果和真实标签进行比较。
3. 计算出“错了多少”，这就是 loss。
4. 再根据这个误差去调整参数。
5. 重复很多轮，直到模型表现逐渐变好。

在这个过程中，几个高频词一定会不断出现：

• loss：衡量模型当前预测有多差。
• optimizer：决定参数怎么更新，比如 SGD、Adam。
• learning rate：每次更新迈多大步子。
• batch：一次送入模型的样本数。
• epoch：整个训练集被完整学习一轮。
• 反向传播：把误差信号传回各层，用来更新参数。

如果把模型比作一个学生，那么训练就是不断做题、对答案、改错的过程。loss 像是扣分规则，optimizer 像是改错策略，learning rate 像是每次纠错的幅度。

还是用猫狗分类这个例子。模型一开始几乎是“瞎猜”的，输出很不稳定。随着一轮轮训练，它会逐渐学会哪些纹理、轮廓和组合模式更像猫，哪些更像狗。

但训练也不是时间越长越好。一个常见问题叫 过拟合：模型在训练集上越来越好，但在没见过的数据上反而变差。表面看是模型“学会了”，实际上它可能只是把训练集记住了。

所以训练这一层解决的是：如何让模型从数据里真正学到可泛化的规律，而不是只把答案背下来。

5. 评测：不是看模型会不会做题，而是看它能不能稳定做对

训练完之后，下一步不是立刻庆祝，而是进入 评测。

评测的目的不是给模型“打个分”这么简单，而是判断它到底有没有学会、学得是否可靠、能不能泛化到新数据。

不同任务，评测指标也不同：

• 分类 常见指标有 accuracy、precision、recall、F1。
• 检测 常见指标有 mAP。
• 分割 常见指标有 IoU、Dice。

为什么不能只看一个数字？因为不同指标回答的问题不同。

举个例子，如果你的猫狗数据里 90% 都是猫，模型哪怕永远预测“猫”，accuracy 也可能不低。但这显然不是一个真正有用的模型。这个时候你就需要结合 precision、recall、混淆矩阵等信息，看看它到底错在什么地方。

评测这一层至少要回答三个问题：

1. 模型在验证集和测试集上的表现怎么样。
2. 它是普遍稳定，还是只在某些样本上表现好。
3. 它的错误是否符合业务场景可以接受的范围。

还是猫狗分类。如果模型总体准确率有 95%，但它总是把幼猫误判成小型犬，那你接下来要做的就不是盲目换模型，而是回头分析数据分布、样本覆盖、错误类型。

这也是为什么成熟项目里，误差分析 非常重要。真正推动模型进步的，往往不是再多跑十个 epoch，而是看清楚模型究竟错在哪里。

所以评测这一层解决的是：模型到底好不好，好到什么程度，问题又出在什么地方。

6. 部署：把实验室里的模型，变成真实可用的系统

很多教程讲到训练和测试就结束了，但在实际项目里，部署 才是模型真正开始接受现实考验的地方。

一个离线实验效果不错的模型，并不自动等于“可以上线的模型”。

因为一旦进入部署阶段，你面对的问题就会变成：

• 推理够不够快？
• 显存或内存占用是否可接受？
• 模型文件是否太大？
• 是放在云端服务，还是跑在手机、摄像头、边缘设备上？
• 是否需要量化、剪枝、蒸馏等压缩手段？

这时你会接触到另一批术语：

• 推理：模型在部署场景下做前向预测。
• 延迟：单次预测需要多久。
• 吞吐：单位时间能处理多少输入。
• 量化：用更低精度表示参数，以减少存储和计算开销。
• 服务化：把模型封装成 API 或系统服务供外部调用。

还拿猫狗分类来说。如果你只是做一个本地 Demo，那么模型慢一点问题不大。但如果你要把它部署到移动端，或者接到实时摄像头流上，那么 200ms 和 20ms 的差别就很大了。

所以在部署阶段，模型不再只是拼精度，还要平衡：

• 效果
• 速度
• 成本
• 稳定性
• 可维护性

很多真实项目最后选中的，未必是“离线精度最高”的那个模型，而是“综合表现最合适”的那个模型。

所以部署这一层解决的是：如何把一个能跑通的模型，变成一个真正能落地的系统。

7. 为什么说这 6 个环节是一条链，而不是 6 个孤立模块

到这里，你可能已经发现了：深度学习不是几个知识点拼起来的集合，而是一条前后强关联的链路。

前面的选择，会不断影响后面的结果：

• 任务 没定义清楚，后面做得再认真也可能方向错。
• 数据 质量不行，模型再强也学不到稳定规律。
• 模型 结构不合适，训练可能收敛很慢，甚至根本学不动。
• 训练 策略不合理，可能出现欠拟合或过拟合。
• 评测 方法不对，会让你误以为模型已经很好。
• 部署 条件变了，前面离线阶段的最优方案可能不再适用。

更重要的是，这条链不是单向的。部署后的线上表现，往往又会反过来推动前面的迭代：

• 发现某类样本错误率高，就要回去补数据。
• 发现速度达不到要求，就要回去换模型或做压缩。
• 发现指标看起来不错但用户体验差，就要重新审视任务定义和评测方式。

所以更准确地说，深度学习项目不是一条直线，而是一个不断闭环优化的过程。

8. 把常见术语放回它们各自的位置

初学者之所以容易乱，一个很重要的原因是术语混层了。下面这张表，可以帮你把常见概念先归位：

所属环节	常见术语
任务	分类、检测、分割、生成、检索
数据	dataset、sample、label、annotation、train/val/test、augmentation、data leakage
模型	network、backbone、head、encoder、decoder、parameter
训练	loss、optimizer、learning rate、batch、epoch、forward、backpropagation、fine-tuning
评测	accuracy、precision、recall、F1、AUC、mAP、IoU、benchmark、baseline
部署	inference、latency、throughput、quantization、pruning、service、edge device

你以后再看到一个新词，可以先别急着背定义，而是先问自己一句：

它属于哪一层？

一旦这个问题想清楚，很多概念之间的关系就会自然清晰起来。

9. 初学者最容易出现的 3 个误区

最后再补三个特别常见的误区，很多人都会在这里绕弯路。

误区 1：以为深度学习就是“换模型”

模型当然重要，但它从来不是全部。很多项目真正的瓶颈不在模型，而在任务定义不清、数据质量不足、评测方式不合理。

误区 2：只盯着训练过程，不关心评测和部署

训练损失下降，只能说明模型在当前训练目标上越来越会拟合，不代表它在新数据上就一定表现好，更不代表它能在线上稳定运行。

误区 3：把不同层级的概念混在一起理解

“分类”和“Transformer”不是一类概念，“训练集”和“Adam”也不是一类概念。一个是任务，一个是模型；一个是数据概念，一个是训练方法。层级一混，理解就会乱。

结语：先有地图，再进入细节

如果你刚开始接触深度学习，这篇文章最想帮你建立的，不是某个局部知识点，而是一个整体坐标系。

请先记住这条最核心的主线：

任务 -> 数据 -> 模型 -> 训练 -> 评测 -> 部署

后面你再去学卷积、注意力机制、损失函数、优化器、评价指标、模型压缩，就不会觉得它们是零散的知识点，而会知道它们分别落在这张地图的哪个位置。

这也是系统学习深度学习时最重要的一步：先有地图，再学路线。

下一篇文章，我会继续顺着这张地图往下拆，专门讲清一个高频问题：

为什么初学者总会把深度学习学乱？