原因：PyTorch版本不支持sm_120解决：安装2.8.0+cu128。

类型WindowsLinux本质定位应用操作系统基础设施操作系统优势领域桌面生态服务器生态控制权封闭可控云原生适配后期加入原生支持企业选择 Linux，并不是“信仰问题”，而是：架构适配度资源调度能力容器原生支持AI/HPC 生态成本与可控性共同决定的工程结果。

reshape 维度要对：元素总数必须一致，否则直接报错cat和stack容易混：一个不增维，一个增维广播不是“随便加”，是严格规则：不满足会报 shape mismatch.item()只能用于单元素tensor因为你后面会不断遇到这些问题：我的 batch 维是第几维？这个张量怎么从 (N, C, H, W) 变到 (N, H, W, C)？为什么 loss 能算，但反向传播报维度错？为什么加

对深度学习来说，你至少要能做到：看懂X @ w + b的维度流动熟练sum(dim=?搞清楚vs知道范数是“大小/正则化”的基础概念。

这一节按李沐的流程，完整走一遍：生成/读取 CSV处理缺失值（NaN）类别特征编码（one-hot）转成 Tensor 供模型训练你把这套跑通，后面做 Kaggle / 蓝桥杯建模题都更稳。

而“对参数求梯度”这一步，在 PyTorch 里基本靠autograd自动完成。这一节我按李沐的思路讲清楚三件事：什么是自动求导、计算图怎么用为什么要zero_graddetachno_grad（最常踩坑）

因为它把所有训练本质都展示出来了：你学会这一套，后面 softmax、MLP、CNN 都只是把“模型结构”换掉。15：线性回归的从零实现（更规范版：用 Dataset/DataLoader + 更像论文推导）或16：线性回归的简洁实现（nn.Linear + optim.SGD + MSELoss）你想先写从零实现还是简洁实现？我可以直接接着给你写下一篇。

线性回归是深度学习训练的最小闭环：模型：损失：平方损失（MSE）求导：更新：手写 SGD这篇目标很明确：不用任何高级封装，你要把“参数怎么动起来”彻底弄明白。我们用已知的真实参数 ((w^*, b^*)) 生成数据，并加一点噪声：2. 读取小批量数据：DataLoader（但训练仍是手写）3. 初始化参数：w、b 都是要学的，方便写才能自动求导4.2 平方损失这里写成“每个样本的损失”，后面再 ：

学习/作业/小项目：Adam（省心 baseline）想要更稳的 SGD：SGD + momentum（经常更泛化）lr 是第一优先级：调对 lr，比换优化器更有效。

线性回归解决的是（输出一个连续值）。