分层抽象的代价是"不知道底层发生了什么"的失控感

模块化让我们能快速搭建复杂模型，但也让我们更容易忽视底层行为——`nn.BatchNorm2d` 在 `train()` 和 `eval()` 下的行为差异、`nn.Dropout` 在推理时的自动关闭、`nn.Embedding` 的 padding 索引不会产生梯度——这些"默认行为"在正常使用时是便利的，但在自定义场景中是危险的陷阱。分层抽象的黄金法则是：**在享受上层便利的同时，始终对下层保持"知道它在做什么"的最低限度理解。**