基础赛道¶

赛道概览

2 个 Lesson · 预计 2-3 小时 · 张量、自动求导、训练循环入门

Foundations 是所有后续赛道的基石。你将从零开始掌握 PyTorch 的核心抽象——张量与计算图，并手写一个完整的线性回归训练循环。

学习路径¶

flowchart LR
    A["**Lesson 01**\n张量操作 & Autograd"] --> B["**Lesson 02**\n从零实现线性回归"]
    B --> C{{"后续赛道"}}
    C --> D["Vision"]
    C --> E["NLP"]
    C --> F["GNN"]

    style A fill:#7c3aed,color:#fff,stroke:#5b21b6
    style B fill:#7c3aed,color:#fff,stroke:#5b21b6
    style C fill:#f3f4f6,color:#1f2937,stroke:#d1d5db
    style D fill:#2563eb,color:#fff,stroke:#1d4ed8
    style E fill:#0891b2,color:#fff,stroke:#0e7490
    style F fill:#059669,color:#fff,stroke:#047857

先修知识¶

领域	要求	建议资源
Python	基础语法、函数、类	Python 官方教程
线性代数	向量、矩阵乘法、转置	3Blue1Brown Essence of Linear Algebra
微积分	偏导数、链式法则（了解即可）	Khan Academy Multivariable Calculus

课程列表¶

序号	项目	代码文档	核心概念
01	张量操作 & Autograd 机制	`lesson_01_tensors`	`torch.Tensor`, `backward()`, 计算图
02	从零实现线性回归	`lesson_02_linear_regression`	梯度下降, 损失函数, 参数更新

Lesson 01 — 张量操作 & Autograd 机制¶

学习目标

理解 torch.Tensor 的创建、索引、广播和运算
掌握 requires_grad=True 与 backward() 自动求导机制
理解计算图（Computational Graph）的构建与释放

核心知识点：

张量创建：torch.zeros, torch.ones, torch.randn, torch.arange
张量运算：逐元素运算、矩阵乘法 (@, torch.matmul)、广播规则
Autograd 机制：requires_grad, grad_fn, backward(), torch.no_grad()
计算图：动态图 vs 静态图，叶子节点与中间节点

# 运行 Lesson 01（离线冒烟模式）
python -m tracks.foundations.lesson_01_tensors.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

Lesson 02 — 从零实现线性回归¶

学习目标

手写完整的训练循环：前向传播 → 计算损失 → 反向传播 → 参数更新
理解梯度下降（Gradient Descent）的数学原理
掌握损失函数（MSE Loss）和参数更新策略

核心知识点：

线性模型：\(y = Wx + b\)，权重与偏置
损失函数：均方误差 \(\mathcal{L} = \frac{1}{N}\sum(y - \hat{y})^2\)
梯度下降：\(W \leftarrow W - \eta \cdot \frac{\partial \mathcal{L}}{\partial W}\)
训练循环：forward → loss → backward → step → zero_grad

# 运行 Lesson 02（离线冒烟模式）
python -m tracks.foundations.lesson_02_linear_regression_autograd.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

验收标准¶

完成 Foundations 后，你应该能够：

创建张量并执行矩阵运算
使用 Autograd 自动计算梯度
独立编写一个完整的训练循环
理解 loss.backward() 背后发生了什么
解释为什么需要 optimizer.zero_grad()

下一步¶

完成 Foundations 后，你可以根据兴趣选择：

推荐方向	说明
Vision 视觉赛道	从 LeNet 开始学习卷积神经网络
NLP 赛道	从词嵌入开始学习文本处理
GNN 赛道	从图分类开始学习图神经网络