第零部分：前置知识与环境准备

本部分概览

第零部分用于补齐进入后续学习所需的基础能力。内容覆盖 Python、NumPy、PyTorch、训练循环和调试工具，目标是让读者顺利进入第一部分和第二部分。

当前已补齐 00/01/04/05/07/08/09/12/13 的练习资产，02/03/06/10/11 的理论文档也已就绪。

学习组划分

本章分为 4 个学习组。

学习组	题目范围	主题	难度
0A: Python 基础	00-01	Python 语法与 NumPy	Easy
0B: PyTorch 基础	02-05	Tensor、Autograd、模块定义	Easy-Medium
0C: 深度学习基础	06-09	训练循环、激活函数、归一化	Medium
0D: 工具与调试	10-13	Profiling、显存优化、调试技巧	Medium

组级入口

组页	学习组	作用
0A	0A: Python 基础	先把 Python / NumPy 基础打牢
0B	0B: PyTorch 基础	过渡到 Tensor、Autograd 和 Module
0C	0C: 深度学习基础	衔接训练循环、激活函数和归一化
0D	0D: 工具与调试	面向 profiling、显存和调试

学习顺序

建议按以下顺序学习：

1. 0A：Python 基础
2. 0B：PyTorch 基础
3. 0C：深度学习基础
4. 0D：工具与调试

如果你已经有 Python 或 PyTorch 基础，可以直接从 0B 开始。

题目与内容

0A: Python 基础（00-01）

题号	题目	难度	核心知识点
00	Python Essentials for LLM	Easy	列表推导、字典、函数、装饰器、类
01	NumPy and Einsum	Easy	数组操作、广播、einsum 符号

0B: PyTorch 基础（02-05）

题号	题目	难度	核心知识点
02	PyTorch Tensor Fundamentals	Easy	Tensor 创建、操作、设备转移、数据类型
03	PyTorch Autograd and Backward	Medium	自动求导、梯度计算、反向传播
04	PyTorch nn.Module Basics	Medium	模块定义、前向传播、参数管理
05	PyTorch Optimizers and Loss	Medium	损失函数、优化器、学习率

0C: 深度学习基础（06-09）

题号	题目	难度	核心知识点
06	Simple Neural Network Training	Medium	训练循环、验证、保存模型
07	Activation Functions	Easy	ReLU、GELU、SiLU 的实现与对比
08	Normalization Techniques	Medium	BatchNorm、LayerNorm 的原理与实现
09	Attention Mechanism Intro	Medium	Scaled Dot-Product Attention 基础

0D: 工具与调试（10-13）

题号	题目	难度	核心知识点
10	PyTorch Profiling Basics	Medium	PyTorch profiler、时间线分析
11	Memory Profiling and Optimization	Medium	显存占用、内存峰值、基础优化
12	Debugging Techniques	Medium	断点、日志、异常排查
13	Jupyter and Git Basics	Medium	Notebook 执行顺序、测试与复盘

Notebook 配合

第零部分的 notebook 以基础操作和验证为主，适合先看导学，再做练习，再跑测试。

• 已有 notebook 的页面：00、01、04、05、07、08、09、12、13
• 先只保留正文的页面：02、03、06、10、11

公开 notebook 需要可跑、可测、结构清楚；正文页先按内容维护，不强行挂入口。