结语#
拆完了。每件装备的数据摆在眼前。
从引言：拆开看看 的方法论，到实验设计 的实验方案，再到PyTorch实现 的代码实现——你走完了"提出假设→设计实验→收集数据→分析结论"的完整闭环。
装备清单#
装备 |
不带它跌多少 |
重要性 |
作用 |
|---|---|---|---|
卷积层 |
12.6% |
⭐⭐⭐ 必须带 |
冰镐——没有它根本爬不了 |
ReLU 激活 |
15.6% |
⭐⭐⭐ 必须带 |
呼吸方式——高海拔还能保持效率 |
池化层 |
6.2% |
⭐⭐ 尽量带 |
减轻负重——不牺牲太多精度 |
批归一化 |
+2.9% |
⭐⭐ 尽量带 |
稳定步伐——加速收敛，允许更大学习率 |
Dropout |
1.2% |
⭐ 看情况 |
备用装备——数据少时有用 |
“Extraordinary claims require extraordinary evidence.” —— Carl Sagan
消融研究的本质不是"证明哪个组件好"，而是用数据回答"为什么好"。上篇：练习峰 给了你搭建网络的菜单，PyTorch 实践：把理论变成代码 给了你实现代码的工具，本章给了你验证和优化设计的实验方法。三个原则：控制变量，数据说话，科学即迭代。
拆完了。然后呢？#
装备清单到手了——卷积层是冰镐，ReLU 是呼吸方式，Dropout 可带可不带。
但这份清单是在练习峰上测的。28×28 的灰度山。真正的山——ImageNet，224×224 彩色照片，1,000 个类别——比练习峰大 1,000 倍。在 MNIST 上"Dropout 影响不大"的结论，放到 ImageNet 上会不会刚好相反？
拆装备是为了理解。理解是为了去爬更高的山。
下篇：真正的未登峰——走。2012 年，炮声响了。
延伸#
想继续拆？
对 ResNet / EfficientNet / ViT 做消融，验证练习峰上的结论在更大的架构上是否成立
研究多因素交互效应——组件 A 和 B 同时移除的效果是否等于各自效果之和
用 Optuna / NNI 做自动化消融，贝叶斯优化替代手动逐一实验
本章相关章节：卷积：发现装备（组件原理）、训练基础：登山纪律（正则化）、使用训练框架（实验管理）
经典消融研究：ResNet（残差连接）、Dropout（比例）、Network In Network（GAP vs FC）
贡献者与修订历史
查看详细修订记录
-
ea7e1062026-06-16 - Heyan Zhu: fix: cross-ref syntax, formulas, code, and structure across 5 chapters -
dc35df22026-06-14 - Heyan Zhu: refactor: unify into two-chapter mountain-climbing narrative