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

本组把 Python 基础过渡到 PyTorch 张量和自动求导，是从“会写数据结构”跨到“会写深度学习代码”的关键一步。对 Part 2 来说，这一组最重要的作用是让你先看懂 shape、layout、mask 和梯度这几类高频变量，不至于在基础算子和训练闭环里卡住。

Group Overview | 组概览

这一组把 Python / NumPy 的数组思维推进到 PyTorch 的 Tensor、layout 和 Autograd，帮助你先把“数据怎么放进去、梯度怎么走回来”看顺。你可以把它看成从‘会写数组’走向‘会写可训练张量’的过渡段：先对齐 array -> Tensor、broadcast -> layout、slice -> index 这条翻译链，再去看后面的训练页会顺很多。

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，优先把 05 / 06 / 07 / 08 串起来，它们分别对应 Tensor 最小入口、layout 与查表、Autograd 机制、以及训练时的梯度边界管理。

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

• 先看 05 -> 06 -> 07 -> 08，把 Tensor 表达、布局、梯度回传和梯度习惯先串起来。若目标是尽快进入 Part 2，优先把 06 和 07 读透，它们最直接对应后面的维度变换、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

• 看完本组后，继续进入 0C，把 nn.Module、Optimizer 和 Loss 接上；如果在 Part 2 里先遇到模型定义或训练循环卡点，可以先回看本组的 06 和 07。 如果你是从 NumPy 过来的，优先回看 05 和 06；如果你是从 Python 过来的，先把 0A 的对象和维度表达补齐。

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。