PyTorch深度修炼：从Tensor到大模型工程

这不是一套只教 API 的 PyTorch 教程。 这个专栏会从 PyTorch 最核心的 Tensor 开始，一步步讲清楚自动求导、神经网络模块、数据加载、训练循环、优化器、GPU 加速、混合精度、模型保存、分布式训练、模型导出与工程部署。 更重要的是，专栏不会停留在“会用”的层面。 我们会继续深入到源码机制： 为什么 nn.Module 能自动注册参数？ 为什么 loss.backward() 就能完成反向传播？ 为什么 DataLoader 开多进程后速度会变快？ 为什么 PyTorch 2.x 的 torch.compile 能提升性能？ 为什么大模型训练离不开 DDP、FSDP 和混合精度？ 专栏目标很简单： 让你不只是会写 PyTorch 代码，而是真正理解 PyTorch 背后的运行机制。 从能跑模型，到能调模型。 从能训练模型，到能优化性能。 从会调用框架，到能看懂源码、解决工程问题。 适合人群： 想系统学习 PyTorch 的 AI 初学者 有 Python 基础，想进入深度学习工程的人 已经会训练模型，但不懂底层原理的开发者 想做大模型微调、推理部署、

共 3 章