Group 0B: PyTorch Tensors and Autograd | 0B: PyTorch 张量与自动求导
Group Overview | 组概览
形状相同的张量可能拥有不同布局，也可能共享同一份存储；前向结果正确时，梯度仍可能被切断或意外累积。本组从张量属性和索引开始，追踪反向传播以及梯度的保存、清理与关闭。
Group Asset Overview | 组内资产总览
| 页面 | 要回答的问题 | 运行时观察什么 |
|---|---|---|
| 05 张量基础 | 创建、复制和类型转换何时共享或替换存储？ | 形状、数据类型、设备与共享数据 |
| 06 布局与索引 | 转置、变形和索引如何改变元素位置？ | 步长、连续性、掩码与多头布局往返 |
| 07 自动求导 | 上游梯度如何经过局部运算，在分支处汇合？ | 解析梯度、保存张量、自定义反向与分支梯度之和 |
| 08 梯度控制 | 累积、清理、冻结与关闭梯度分别改变什么？ | 梯度字段、计算图连接与参数冻结后的反向行为 |
Learning Path | 学习路径
Recommended Order | 推荐顺序
按 05 → 06 → 07 → 08 阅读。形状或索引错误先查 05、06；梯度缺失、重复累积或冻结异常先查 07、08。
Next Steps | 后续衔接
进入 0C 模型与训练生命周期，把张量、梯度与模型参数、优化器和训练循环连接起来。需要进一步推导局部反向时，进入反向传播与训练机制。
Environment Notes | 环境说明
使用 BASE-CPU，在 CPU 上检查张量、计算图与梯度。