LESSON 0.6 · 实验 · 120 分钟
PyTorch 张量与可复现实验
PyTorch 张量与可复现实验：理解dtype、device、stride、autograd、随机种子，完成“建立可复现的 tensor-lab 仓库”。属于「进入模型之前」学习阶段。
学完你应该能够
- 能不用术语堆砌，解释「PyTorch 张量与可复现实验」解决了什么问题。
- 能围绕 dtype、device、stride 画出变量与因果关系。
- 能完成「建立可复现的 tensor-lab 仓库」，并用证据而不是感觉判断结果。
核心概念
dtype
dtype要落在一个可手算的小例子上：写清输入、运算、输出与单位，再用代码对拍。 先给它一个可操作的定义，并指出它解决的具体问题。
device
device要落在一个可手算的小例子上：写清输入、运算、输出与单位，再用代码对拍。 把它放进前后依赖中：输入从哪里来，输出会改变谁。
stride
stride首先是内存与索引契约：它决定哪些元素参与同一次运算，以及结果如何排列。调试时打印维度只是起点，还要检查广播是否悄悄复制了你不想要的关系。
autograd
autograd要落在一个可手算的小例子上：写清输入、运算、输出与单位，再用代码对拍。 用反例说明忽略它时系统会怎样失败。
随机种子
随机种子要落在一个可手算的小例子上：写清输入、运算、输出与单位，再用代码对拍。 把概念落到可以记录的指标或测试上。
实践任务
建立可复现的 tensor-lab 仓库
- 预测：在运行代码前，写下你预期的输出、趋势或失败位置。
- 构建：运行前写下预测，只保留回答核心问题所需的最小组件。
- 验证：使用手算结果、NumPy/PyTorch 对拍与边界输入；保存参数、随机种子与原始结果。
- 迁移：换一个 shape、dtype 或数据分布后重新预测结果，说明原结论是否仍成立。