6.2.1 PyTorch 路线图：Tensor、Autograd、Module、DataLoader、Loop

PyTorch 把深度学习闭环变成可运行代码。先学执行顺序，再补细节会轻松很多。

先看工作流

第二张图是最小 PyTorch 训练循环：tensor、model、loss、backward、step、repeat。

tensor→model→loss→backward→optimizer.step→repeat

跑一次 Autograd

创建 pytorch_first_loop.py，安装 torch 后运行。

import torch

w = torch.tensor([0.0], requires_grad=True)
learning_rate = 0.2

for step in range(1, 5):
    loss = (w - 3).pow(2)
    loss.backward()
    with torch.no_grad():
        w -= learning_rate * w.grad
        w.grad.zero_()
    print(step, "w=", round(w.item(), 3), "loss=", round(loss.item(), 3))

预期输出：

1 w= 1.2 loss= 9.0
2 w= 1.92 loss= 3.24
3 w= 2.352 loss= 1.166
4 w= 2.611 loss= 0.42

这里能看到 PyTorch 的关键习惯：计算 loss，调用 backward()，在不跟踪梯度的区域更新参数，然后清空旧梯度。

按这个顺序学

顺序	阅读	练什么
1	6.2.2 从 sklearn 到 PyTorch	为什么训练循环变得显式
2	6.2.3 PyTorch 基础	tensor、dtype、shape、device
3	6.2.4 Autograd	requires_grad、backward、grad
4	6.2.5 nn Module	模型类、参数
5	6.2.6 数据加载	Dataset、DataLoader、batch
6	6.2.7 训练循环	train/eval 循环、loss 记录
7	6.2.8 实用技巧	shape、device、seed、调试
8	6.2.9 PyTorch 工作坊	运行并可视化小模型

留下的证据

保留一条 PyTorch 循环笔记：

张量检查

形状、dtype、设备

自动求导检查

loss.backward() 会填充梯度

模块检查

named_parameters() 显示可训练张量

加载检查

一个批次与模型和损失函数匹配

循环检查

训练/验证损失分别记录

通过标准

能读懂一个 PyTorch 循环，并定位数据 batch、模型输出、loss、backward() 和 optimizer 更新这五件事，就算通过。

检查思路与讲解

1. 合格答案要把 tensor、模型层、loss、backward() 和 optimizer 更新连成一个训练闭环。
2. 证据应包含可运行的小实验、tensor shape 检查，以及能解释的 loss 或验证曲线。
3. 自检时要能指出一个失败模式，例如 shape 不匹配、loss 不下降、过拟合、数据泄漏，或只会说 Attention/Transformer 名词却讲不出数据流。