在 PyTorch 中，张量（Tensor）是绝对的主角。你可以把它简单理解为多维数组。一个数字，比如5。一排数字，比如[1, 2, 3]。一个表格，比如。可以想象成一个“数据块”，比如 RGB 彩色图片就是一个 3 维张量（长 × 宽 × 3个颜色通道）。张量 = PyTorch 中存储和运算的基本单位。

Storage 是张量数据在内存中的一维连续存储空间。12341 & 2 \\3 & 413​24​1234[1,2,3,4]1234也就是说：所有张量本质都是一段线性内存 + 解释方式Stride 决定了：“当你在某一维移动一步，内存地址跳多少”例如：示例：2×2矩阵12341 & 2 \\3 & 413​24​shape = (2,2)# 形状stride = (2,1)# 步长行移动：跳 2

如何查看当前PyTorch版本，在你的项目中运行如下代码（如果没有安装过，则跳过）说明你的PyTorch是CPU版本，如果想使GPU加速代码，请跟我下面的步骤来首先检查你的电脑是否有英伟达显卡（NVIDIV一般笔记本可以查看在笔记本C面上是否有一张绿色的小贴纸，上面如果有NVIDIV可直接去下一步如果时间长或者没贴纸的也别着急，可以跟着我下面的步骤检查。Win + R打开运行对话框，输入然后按回车

在确定张量是连续的情况下，优先使用。

TensorBoard不仅是“画图工具”，更是深度学习调试的“瑞士军刀”。它让你从“盲调”走向“可视调参”，极大提升研发效率。无论你是用TensorFlow还是PyTorch，掌握TensorBoard都是AI工程师的必备技能。下次训练模型时，别再只盯着控制台输出了，打开TensorBoard，让你的模型“开口说话”吧！

通过这次“误删 .git”的小插曲，我深刻理解了 Git 的提交历史（History）机制以及远程分支管理的重要性。

不再机械记忆顺序，而是主动寻找关联。RNN 的时代像是：“死记硬背。Transformer 的时代更像：“理解上下文。而这，正是今天大模型真正聪明的原因。写代码生成图片做翻译理解视频与人自然聊天别忘了那个改变世界的瞬间：人震撼的，其实不是公式。而是那个大胆的想法：“既然循环这么麻烦，为什么不干脆扔掉它？于是 Vaswani 和他的团队做了一件看似疯狂的事，他们删掉了整个 RNN。只留下Attent

从 80% 到 95%，差的不是算力，而是对数据和模型底层逻辑的理解。显存管理：永远不要一次性把大量数据塞进 GPU，善用 DataLoader。尺寸适配：不要盲目 Resize。对于小尺寸图片，保持原尺寸并配合数据增强，往往比强行拉伸到 224×224 效果更好。希望这篇踩坑实录能帮你避开这些弯路，祝你的模型训练 Loss 狂降，准确率飙升！