Loss (BCE)：二元交叉熵损失。越小越好。理论下界 0，越接近 0 预测越准。
Accuracy：分类正确率。0–1 之间的比例，越接近 1 越好。
|dW| Frobenius：权重梯度的 Frobenius 范数。
是矩阵"长度"的推广：
。不是逐元素绝对值之和，而是所有元素平方和的平方根，类似向量的 L2 范数。反映梯度整体的"大小"，训练初期会冲一冲峰值，训练稳定后衰减。
|db| / |dz|：偏置 / 误差项的 L2 范数。
。同理，向量长度。
|∇θ| Frobenius：header 里的"总梯度幅度"。把所有参数梯度的 Frobenius 范数求和：
。一次前向后整体梯度有多大，决定本次 lr × 梯度 的更新步长。训练初期会冲一冲峰值，逼近最优点时衰减。**不是 L1**（L1 = |元素| 之和；本指标是 L2 / Frobenius）。
W mean：权重矩阵元素平均值。观察权重有无漂移（应基本在 0 附近）。
a mean：激活值平均。隐藏层 a1≈0.5 表示饱和；a2 反映输出概率均值。
L1 vs L2 vs Frobenius：L1 = ，L2 = ，Frobenius = L2 推广到矩阵 = 。本页面所有 |·| 范数指标都是 L2 / Frobenius。