近日，一位开发者在外网技术社区发帖引发热议：“花了好几个月时间，用NumPy/CuPy从零写完了优化器和CNN，现在不确定下一步该做什么，希望大家给点方向。”这段简短的自述背后，是一名深度学习爱好者对底层原理的执着探索，也折射出许多自学者在“学成之后”面临的真实困惑——当亲手造出的轮子转起来，下一步该驶向哪里？
从零搭建：最笨的方法也是最深的课
据这位开发者透露，他利用业余时间，完全基于NumPy和CuPy实现了多种经典优化器（如SGD、Adam、RMSprop等），并独立构建了卷积神经网络的前向传播与反向传播算法。所有代码均未依赖TensorFlow或PyTorch等高阶框架，而是在底层张量库上“手搓”梯度更新与自动微分。
这种“原始”做法在业内资深工程师眼中极为珍贵。一位曾在某大厂担任算法工程师的技术博主评论道：“用PyTorch搭模型像用傻瓜相机，而用NumPy从零写网络，就像自己设计镜头、磨镜片、组装快门。虽然效率低，但每一行代码都逼着你理解反向传播的链式求导、卷积的im2col实现、内存布局对性能的影响——这些是框架黑箱里永远学不到的硬核知识。”
事实上，该开发者的项目还运用CuPy实现了GPU加速，这意味着他不仅吃透了CPU上的数值计算，还掌握了CUDA编程思维的近似映射。这种“跨平台”的底层能力，正是当前AI工程化需求中稀缺的“全栈视野”。
成就之后的迷茫：当“学会”变成“学完”
按理说，完成如此高难度的项目，应该倍感自豪。但帖子中透出的更多是真实乏力：“我每天下班后写代码，周末也是，但当我跑通最后一个测试用例，盯着控制台里打印的loss曲线时，突然不知道还能做什么了。继续写更多网络结构？还是去研究底层算子优化？”
这种“技术孤独感”并不是个例。许多自学深度学习的开发者都经历过类似阶段：当把教材上的经典算法亲手实现一遍后，会发现自己卡在了“从理解到创造”的断层上。做项目缺乏明确目标，写论文缺乏学术资源，甚至不知道该去哪些社区讨论如此低层的技术细节——因为大部分开发者更关心如何调参、如何部署，而非如何重新发明轮子。
社区支招：从“造轮子”到“换赛道”
帖子下方很快聚集了大量技术爱好者、研究员和工程师的建议。综合来看，方向大致分为几类：
一、冲击前沿架构。既然已掌握CNN，下一步可尝试实现循环神经网络（RNN/LSTM）、注意力机制（Transformer）甚至多模态模型。有网友建议：“试试用你的框架搭一个GPT-2的小型复现版，不用全量训练，只需跑通前向推理，就能深刻理解自回归生成。”
二、做工具层面的贡献。将项目开源并包装成小型教学库，或者为CuPy、NumPy等底层库贡献性能优化。一位NumPy核心开发者留言：“我们非常欢迎像你这样熟悉底层实现的人提交PR，尤其是矩阵运算的向量化改进方案。”
三、横纵向延伸。横向可尝试将优化器应用到其他领域（如强化学习中的策略梯度），纵向可研究分布式训练中的梯度同步、混合精度训练等工程细节。也有人建议他尝试手写自动微分引擎（Autograd），进一步逼近现代框架的底层逻辑。
四、退一步，进两步。一位来自某自动驾驶公司的架构师建议：“既然你已经证明自己能造轮子，下一步不如直接用成熟的框架去做一个完整的应用项目——从数据清洗到模型部署。因为能力的最终验证不是你会写多少底层代码，而是你能解决多少实际问题。”
专家视角：基础深度决定技术上限
记者就此话题采访了国内某高校计算机学院从事深度学习系统研究的副教授。他认为，这种“从零搭建”的实践非常值得鼓励：“目前很多学生只会调参和调用API，一旦遇到梯度爆炸、内存泄漏等底层问题就束手无策。这位开发者的积累使他具备了诊断系统级问题的能力。”
但他也指出，深度学习领域的进步高度依赖生态协作：“个人追求底层实现能加深理解，但不必把自己限制在‘绝对原创’的框架里。建议他将自己的实现作为教学工具或实验平台，同时利用PyTorch或TensorFlow去探索更大规模的模型和工业级部署，做到‘既懂原理，又会打仗’。”
结语：每一步都算数
几个月从零构建优化器与CNN，是一段孤独而扎实的技术苦旅。这位开发者所面对的迷茫，恰恰证明了他已跨过了“入门”的高墙，正站在一个更广阔的十字路口。下一步无论是继续深挖底层，还是转向应用创新，抑或是将经验沉淀为教程回馈社区，他都拥有比绝大多数使用者更深厚的起点。
正如一位网友所鼓励的：“你花几个月写的代码，可能抵得上别人用框架调一年的参数。别急着找方向，你的能力本身就是最好的航标。”