目标实验目标
把 Word2Vec 的训练过程放慢来看。开始时每个词的向量都是随机的乱点，随着训练推进，出现在相似上下文里的词被一点点推到相近的位置。调整参数，观察这种「自组织」是怎么发生的。
怎么玩先把「训练轮数」拉到 0，看那盘散沙；再慢慢拉到 100，看词语如何聚成四团。同时盯住右侧「邻居列表」的变化。
参数控制
0 = 尚未训练（随机初始化）；100 = 训练完成。
窗口越大，一个词能看到越多上下文，收敛越快——但也更容易把不相干的词拉到一起。
每步微调向量的幅度。太小挪不动，太大容易震荡。
关键观察：epoch=0 时，「猫」的最近邻居是随机的（可能正好是「飞机」）；到 epoch=100，「猫」的邻居必然变成「小狗」「小猫」「老虎」。这个变化不是人教的，是训练自己长出来的。
空间词向量的位置
邻居与「猫」最相似的词
加载中…
看这里对比 epoch=0 与 epoch=100 的这张表。训练前四条是乱的，训练后同一类的词自动排到了前面——这就是「上下文相似的词，向量也相似」的落地。
挑战实验课挑战
挑战 1 · 找拐点
缓慢拖动训练轮数，找出「猫」的邻居里第一次出现「小狗」的 epoch。大约在哪个区间？
缓慢拖动训练轮数，找出「猫」的邻居里第一次出现「小狗」的 epoch。大约在哪个区间？
挑战 2 · 窗口的副作用
把 window 拉到 5，训练完成后四团词的边界还清楚吗？太大和太小分别有什么问题？
把 window 拉到 5，训练完成后四团词的边界还清楚吗？太大和太小分别有什么问题？
挑战 3 · 学习率 extremes
lr 设为 0.01 和 0.3，在 epoch=30 时对比「猫」邻居的相似度值。哪个学得快？哪个更稳？
lr 设为 0.01 和 0.3，在 epoch=30 时对比「猫」邻居的相似度值。哪个学得快？哪个更稳？
挑战 4 · 为什么会聚起来
「猫」和「小狗」本来毫无关系，是什么机制把它们推到一起的？用你看到的现象解释。
「猫」和「小狗」本来毫无关系，是什么机制把它们推到一起的？用你看到的现象解释。