Group 0C: PyTorch Model Construction | 0C: PyTorch 模型构建
本组把 Tensor 和 Autograd 接到 nn.Module、Optimizer、Loss 与 DataLoader。学习者将沿着模型参数注册、前向调用、状态保存、反向更新和 batch 输入这条路径阅读训练代码，并能判断每个对象在训练闭环中的职责。
Group Overview | 组概览
这一组按“参数注册 → forward() 调用 → 状态保存 → loss 与 optimizer → batch 输入”的顺序展开：先定位模型参数，再跟踪一次前向和状态恢复，最后把 loss、梯度、更新和数据批次接成训练接口。
对 Part 2 来说，这一组先补的是模型代码怎么组织、怎么调用、怎么保存的语法桥：nn.Module、forward()、parameters()、named_parameters()、state_dict()、load_state_dict()、zero_grad()、optimizer.step()、loss.backward()，以及把模型参数、输入 batch 和训练步对齐的最小读法。
完成这些接口检查后，再去 0D 分析激活函数、归一化和 Attention 为什么这样设计。
Group Asset Overview | 组内资产总览
| 页 | 核心职责 | Q 数 | 验证数 | 覆盖 Q | 定位 |
|---|---|---|---|---|---|
| 09 | nn.Module 与参数管理 | 4 | 4 | Q1, Q2, Q3, Q4 | 起步页 |
| 10 | state_dict、checkpoint 和持久化边界 | 6 | 6 | Q1, Q2, Q3, Q4, Q5, Q6 | 主线页 |
| 11 | loss、optimizer 和训练步 | 4 | 4 | Q1, Q2, Q3, Q4 | 核心页 |
| 12 | Dataset / DataLoader / batch 契约 | 6 | 6 | Q1, Q2, Q3, Q4, Q5, Q6 | 收口页 |
Learning Path | 学习路径
Recommended Order | 推荐顺序
- 按 09 -> 10 -> 11 -> 12 阅读，依次检查模块封装、状态管理、优化器与损失、数据批次。若要尽快进入 Part 2，优先完成 09、11 和 12，它们直接对应模型定义、训练循环和 loss 对齐。
Part 2 重点 | Part 2 Focus
- 09：先补
nn.Module、参数注册、forward()入口，解决“模型代码从哪里开始读”的问题。 - 10：先补
state_dict()、load_state_dict()、checkpoint 和保存边界，解决“参数怎么保存和恢复”的问题。 - 11：先补
loss.backward()、zero_grad()、optimizer.step()，解决“训练步怎么闭环”的问题。 - 12：先补
Dataset / DataLoader / batch契约，解决“数据怎么喂进训练循环”的问题；如果后面开始做 SFT 或其他监督微调，这一页也会帮助你看懂样本如何对齐成训练 batch。
Next Steps | 后续衔接
- 完成本组后进入 0D，继续分析训练循环、激活函数、归一化和 Attention 的结构原因；如果 Part 2 中出现模型定义或训练步问题，可回看对应的 09、10 或 11。
- 0C 关注“对象如何连接接口”，0D 关注“结构为何这样设计”，两组按这个顺序阅读即可。
Environment Notes | 环境说明
- 默认按
CPU-first阅读，优先把模块职责和接口边界看懂。 - 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。