这组文章整理自我手头三份不同来源的 PyTorch 资料：

• liuer_pytorch：跟着一套完整课程从头做到尾，主线比较完整。
• pytorch_learning：我自己之前断断续续做过的练手笔记，更偏 API 和记忆点。
• pytorch_using：一份单独手写 Transformer 的实践代码。

如果直接按原文件夹去看，会有两个问题：

1. 同一个主题被分散在不同目录里，学习节奏容易断。
2. 有些内容偏"随手查 API"，有些内容偏"课程式推进"，混在一起不太像一条能连续读的路线。

所以我把它们重排成了下面这条主线：

1. 线性回归、梯度下降与训练四步 先用最简单的回归任务把训练流程摸清楚：数据、模型、损失、优化器。

2. Tensor、Autograd 与动态计算图 把 PyTorch 和 NumPy 拉开差距的关键，就在 Tensor 和自动微分。

3. 分类任务、Dataset / DataLoader 与训练循环 从二分类、多分类到小作业，真正把"如何喂数据、如何训练一个分类模型"串起来。

4. Module、functional、optim 工具箱 这一篇专门整理容易散落的 API：nn.Module、nn.functional、优化器、初始化和工程辅助工具。

5. CNN：从 LeNet 到经典卷积网络 把卷积、池化、LeNet、GoogLeNet、ResNet 这些卷积神经网络的核心脉络拉成一条线。

6. RNN 与序列建模入门 从 one-hot、embedding、RNN / LSTM 到名字-国家分类，把序列模型的最小心智先搭起来。

7. 手写 Transformer 实现拆解 最后回到一个真正的 PyTorch 代码实践：不用 nn.Transformer，自己把位置编码、多头注意力、Encoder / Decoder 组起来。

这样整理之后，这组文章的阅读顺序就不是"看到什么学什么"，而是：

• 先明白训练一个模型到底在做什么
• 再理解 PyTorch 提供了哪些关键抽象
• 然后进入具体网络结构
• 最后用 Transformer 做一次综合收束

正文里我尽量保留了原始笔记的内容、写法和代码，只做了这几类整理：

• 合并重复主题
• 补上过渡说明，让章节之间更好衔接
• 把零散的 API 速记收成更适合复习的结构

如果你也是第一次系统整理 PyTorch，建议按这里的顺序往下读。