这门课不教你怎么调包，教你怎么把模型塞进系统里

如果你正在准备系统架构设计师（高级）的考试，或者刚从后端、运维、数据开发转岗到算法平台方向，大概率会遇到一个尴尬：需求文档里写着「接入 NLP 做意图识别」「用 CV 做质检」，你能画出分层架构、能定义接口协议，但一旦问到模型怎么选、推理延迟卡在哪、特征和模型版本怎么对齐，就只能含糊过去。这门课针对的正是这个缺口——它不假装你是算法研究员，也不停留在「深度学习是什么」的科普层面，而是把 NLP 和 CV 两条线里真正会影响架构决策的部分拆开讲。

它具体讲什么：从文本预处理到图像生成文本

课程主体分两大块。一块是自然语言处理方向，起点是文本预处理、词袋模型、word2vec 和语言模型——这些不是让你手推公式，而是让你明白为什么中文分词方案的选择会直接影响后续服务的吞吐，为什么词向量的维度会成为内存和检索效率之间的权衡点。接着是 CNN、LSTM 做文本分类的在线讲解，这条线对应的是实际系统里最常见的一类需求：内容审核、工单归类、舆情打标。

另一块是计算机视觉与跨模态，包括图像生成文本（Image-to-Text）这类任务。跨模态往往被架构师忽略，但它在实际项目里出现得不少，比如票据识别后自动生成摘要、工业质检里把缺陷图转成可读报告。课程把这类场景单独拎出来，配套的是数据科学比赛式的实践视角——也就是说，它默认你要面对的是脏数据、不均衡样本和有限的算力，而不是干净的标准数据集。

配套练习的取向：比赛思路，不是论文复现

课程从数据科学比赛出发来组织实践内容，这个取向值得注意。比赛和工程项目的差别在于：比赛逼你在固定指标下做取舍，而工程项目逼你在固定资源下做取舍，两者的共同点是都不可能靠堆模型层数解决。所以配套的练习更偏向模型优化与实践技巧，比如在文本分类任务里怎么处理类别不平衡、在图像到文本任务里怎么控制生成结果的稳定性。这些技巧在架构评审里往往就是「为什么不用更大模型」的答案。

看完应该能回答的问题

文本预处理链路里，哪些步骤适合放在离线批处理，哪些必须放在在线推理路径上，各自对延迟的影响是什么？
word2vec 或语言模型产出的向量表示，在系统里是以什么形式存储和检索的，和传统倒排索引如何共存？
CNN 与 LSTM 做文本分类时，推理服务的显存占用和批处理策略如何影响横向扩展方案？
Image-to-Text 这类跨模态任务，在系统架构中通常拆成几个服务，模型版本更新时如何做到不影响上游调用方？
当业务方问「能不能换个更大的模型提效果」时，你能否用数据说出代价在哪里？

适合谁，以及一个提醒

如果你已经有基本的机器学习概念，缺的是把深度学习任务映射到系统组件上的经验，这门课的内容顺序和切入点是对得上的。但如果你完全没接触过神经网络，建议先补一层基础再进来，否则 CNN、LSTM 那几节容易变成看热闹。备考高级架构设计师的读者可以把它当作案例素材来源——考场上写架构方案时，能具体说出 NLP 推理服务为什么要做模型预热、CV 任务为什么常常需要异步队列，比背模板有用得多。