Group 0B: PyTorch Tensors and Autograd | 0B: PyTorch 张量与自动求导

本组把 Python / NumPy 的数组表达转换为 PyTorch Tensor、layout 和 Autograd 操作。学习者将用 shape、mask、索引、计算图和梯度状态阅读基础算子与训练代码，并能定位维度不匹配或梯度未按预期传播的原因。

Group Overview | 组概览

这一组沿着 array -> Tensor、broadcast -> layout、slice -> index 和 forward -> backward 四条关系展开：先创建并检查 Tensor，再处理布局和索引，接着观察计算图，最后控制梯度保存与停止。每一步都对应后续训练代码中的一个输入、变换或状态检查。

对 Part 2 来说，这一组先补的不是抽象理论，而是高频语法桥：torch.tensor / from_numpy / as_tensor、to(dtype=...)、view / reshape / permute / transpose、unsqueeze / squeeze、stack / cat、expand / repeat、masked_fill、index_select / gather、requires_grad / grad_fn / is_leaf、retain_grad()、no_grad() 和 detach()。

若你的目标是尽快进入 Part 2，按 05 / 06 / 07 / 08 阅读：05 处理 Tensor 入口，06 处理 layout 与查表，07 处理 Autograd，08 处理训练时的梯度状态。

Group Asset Overview | 组内资产总览

页	核心职责	Q 数	验证数	覆盖 Q	定位
05	Tensor、dtype、device 的最小判断	3	3	Q1, Q2, Q3	起步页
06	layout、stride、view、reshape 的契约	5	5	Q1, Q2, Q3, Q4, Q5	主线页
07	Autograd、backward 和梯度边界	4	4	Q1, Q2, Q3, Q4	核心页
08	梯度清理与无梯度模式	4	4	Q1, Q2, Q3, Q4	收口页

Learning Path | 学习路径

Recommended Order | 推荐顺序

• 按 05 -> 06 -> 07 -> 08 阅读，依次检查 Tensor 属性、布局和索引、梯度回传以及梯度控制。若要尽快进入 Part 2，优先完成 06 和 07，它们直接对应维度变换、Embedding、反向传播和训练闭环。

Part 2 重点 | Part 2 Focus

• 05：先补 Tensor 创建、dtype 和索引类型判断，解决“数据能不能喂进去”的问题。
• 06：先补 layout、mask、广播和查表语法，解决“维度和位置怎么对上”的问题。
• 07：先补 Autograd、leaf、retain_grad() 和自定义梯度，解决“梯度怎么回来”的问题。
• 08：先补训练 / 验证 / 推理的边界、zero_()、no_grad() 和 detach()，解决“梯度什么时候该停”的问题。

Next Steps | 后续衔接

• 完成本组后进入 0C，把 Tensor、计算图和梯度控制接到 nn.Module、Optimizer 与 Loss；遇到模型定义或训练循环问题时，可回看 06 和 07。NumPy 学习者优先回看 05 和 06，Python 学习者可先回看 0A 的对象与维度表达。

Environment Notes | 环境说明

• 默认按 CPU-first 阅读，优先把 Tensor 和计算图关系看懂。
• 这里只写组级统一前提，不点到具体节号。
• 少数页面如需 GPU optional，以后续单页说明为准。