PyTorch
本页是回查手册。所有 Lab（Lab 0 除外）都用 PyTorch。目标不是精通框架，而是不被工程细节卡住。
最小知识集
- Tensor 与自动微分：
tensor.requires_grad、loss.backward()、optimizer.step()的标准循环；理解计算图何时构建、何时释放。 nn.Module：encoder/decoder/dynamics 的模块化写法；forward与参数注册。- DataLoader：
Dataset/DataLoader、shuffle 与 batch；Lab 2 的 rollout 数据就靠它喂。 - 显存常识：batch size、混合精度（
torch.autocast）、checkpoint重计算；Colab 免费 T4 只有 15GB。 - Device 管理：
.to(device)的一致性——90% 的 Lab 报错来自 CPU/GPU 张量混用。
何时回查
| 场景 | 查什么 |
|---|---|
| Lab 2 训练 encoder | nn.Module、VAE 的 reparameterization 写法 |
| Lab 2/3 滚动预测 | 序列数据的 batch 维度管理、pack_padded_sequence（可选） |
| 任何 Lab 报 OOM | 混合精度、梯度 checkpointing、减小 batch |
| 想在 Colab 跑通 | 运行时选择 GPU、torch.cuda.is_available() 自检 |
最佳外部资源
- PyTorch 官方 60 分钟教程（pytorch.org/tutorials）：一遍过完即可动手。
- PyTorch 官方 Docs：
torch.distributions一节必读——RSSM 的 prior/posterior 直接用它写。 - Karpathy《Zero to Hero》（YouTube 系列）：从零手写反向传播与 GPT，工程与原理双修。
自查
能不看教程写出"定义模型 → 前向 → 算 loss → 反传 → 更新"的完整循环，能把一个训练脚本从 CPU 改到 GPU 且不显存爆炸，即达标。
下一步
回到主线：路线 A 模块 05 或开始 Lab 0