在深度学习框架 TensorFlow 或 PyTorch 中，请描述构建和训练一个模型的具体流程，包括数据准备、模型定义、损失函数选择、优化器设置以及训练循环的实现步骤。
考察说明
考查对深度学习框架基本工作流的理解，以及能否清晰表述从数据到模型训练的全过程。
回答思路
- 【回答框架 1】首先，数据准备阶段需要加载数据并进行预处理，如归一化、数据增强、划分训练集和验证集，并转换为框架支持的张量格式，例如在 PyTorch 中使用 DataLoader，在 TensorFlow 中使用 tf.data。
- 【回答框架 2】模型定义阶段，在 PyTorch 中通过继承 nn.Module 并实现 forward 方法；在 TensorFlow 中通常使用 Keras Sequential 或函数式 API 构建层，注意输入形状和层间维度匹配。
- 【回答框架 3】损失函数根据任务类型选择，如分类用交叉熵，回归用均方误差；优化器常用 SGD、Adam，设置学习率等超参数，并需将模型设置为训练模式。
- 【回答框架 4】训练循环中，进行前向传播计算损失，反向传播计算梯度，优化器更新参数，并在每个 epoch 后在验证集上评估性能，监控过拟合和收敛情况。
- 【回答框架 5】在 PyTorch 中需手动管理梯度清零和 model.train()/eval()，而 TensorFlow 的 fit 方法简化了训练过程，但自定义训练循环可提供更多控制；最后保存模型权重和结构。
- 【关键点 1】数据加载和预处理是训练的基础，必须保证数据形状和类型正确。
- 【关键点 2】模型定义需明确层的配置和激活函数，并确保前向传播输出与损失函数匹配。
- 【关键点 3】训练循环核心是前向计算、损失计算、反向传播和参数更新。
- 【关键点 4】优化器和学习率的选择直接影响收敛，需根据任务调整。
- 【关键点 5】验证集评估用于检查泛化能力，防止过拟合。
- 【易错点 1】在 PyTorch 中忘记调用 optimizer.zero_grad() 会导致梯度累积，更新错误。
- 【易错点 2】在模型评估时未切换到 eval 模式，可能使 dropout 和 batch norm 行为异常。
- 【易错点 3】数据加载时未做归一化或未打乱顺序，可能导致训练不稳定。