第零部分用于补齐进入后续学习所需的基础能力。内容覆盖 Python、NumPy、PyTorch、训练循环和调试工具，目标是让读者顺利进入第一部分和第二部分。
当前已补齐 00/01/04/05/07/08/09/12/13 的练习资产，02/03/06/10/11 的理论文档也已就绪。
本章分为 4 个学习组。
| 学习组 | 题目范围 | 主题 | 难度 |
|---|---|---|---|
| 0A: Python 基础 | 00-01 | Python 语法与 NumPy | Easy |
| 0B: PyTorch 基础 | 02-05 | Tensor、Autograd、模块定义 | Easy-Medium |
| 0C: 深度学习基础 | 06-09 | 训练循环、激活函数、归一化 | Medium |
| 0D: 工具与调试 | 10-13 | Profiling、显存优化、调试技巧 | Medium |
| 组页 | 学习组 | 作用 |
|---|---|---|
| 0A | 0A: Python 基础 | 先把 Python / NumPy 基础打牢 |
| 0B | 0B: PyTorch 基础 | 过渡到 Tensor、Autograd 和 Module |
| 0C | 0C: 深度学习基础 | 衔接训练循环、激活函数和归一化 |
| 0D | 0D: 工具与调试 | 面向 profiling、显存和调试 |
建议按以下顺序学习：
- 0A：Python 基础
- 0B：PyTorch 基础
- 0C：深度学习基础
- 0D：工具与调试
如果你已经有 Python 或 PyTorch 基础，可以直接从 0B 开始。
| 题号 | 题目 | 难度 | 核心知识点 |
|---|---|---|---|
| 00 | Python Essentials for LLM | Easy | 列表推导、字典、函数、装饰器、类 |
| 01 | NumPy and Einsum | Easy | 数组操作、广播、einsum 符号 |
| 题号 | 题目 | 难度 | 核心知识点 |
|---|---|---|---|
| 02 | PyTorch Tensor Fundamentals | Easy | Tensor 创建、操作、设备转移、数据类型 |
| 03 | PyTorch Autograd and Backward | Medium | 自动求导、梯度计算、反向传播 |
| 04 | PyTorch nn.Module Basics | Medium | 模块定义、前向传播、参数管理 |
| 05 | PyTorch Optimizers and Loss | Medium | 损失函数、优化器、学习率 |
| 题号 | 题目 | 难度 | 核心知识点 |
|---|---|---|---|
| 06 | Simple Neural Network Training | Medium | 训练循环、验证、保存模型 |
| 07 | Activation Functions | Easy | ReLU、GELU、SiLU 的实现与对比 |
| 08 | Normalization Techniques | Medium | BatchNorm、LayerNorm 的原理与实现 |
| 09 | Attention Mechanism Intro | Medium | Scaled Dot-Product Attention 基础 |
| 题号 | 题目 | 难度 | 核心知识点 |
|---|---|---|---|
| 10 | PyTorch Profiling Basics | Medium | PyTorch profiler、时间线分析 |
| 11 | Memory Profiling and Optimization | Medium | 显存占用、内存峰值、基础优化 |
| 12 | Debugging Techniques | Medium | 断点、日志、异常排查 |
| 13 | Jupyter and Git Basics | Medium | Notebook 执行顺序、测试与复盘 |
第零部分的 notebook 以基础操作和验证为主，适合先看导学，再做练习，再跑测试。
- 已有 notebook 的页面：00、01、04、05、07、08、09、12、13
- 先只保留正文的页面：02、03、06、10、11
公开 notebook 需要可跑、可测、结构清楚；正文页先按内容维护，不强行挂入口。