模块 0 - 入门与工作流 · 第 00 课
课程说明（Course Guide）
了解课程范围、练习方法，以及从 Python 基础走向深度学习代码的学习路径。
学习目标
完成本课后，你可以：
- 解释七个模块如何连接到深度学习；
- 使用“阅读—运行—修改—解释”的练习循环；
- 创建并运行一个 Python 文件；
- 用可观察的标准判断自己是否完成一课。
从 Python 走向 D2L
深度学习代码仍然是 Python：你会用变量保存训练配置，用列表收集 loss，用函数组织步骤，用 Tensor 表示数值数据，再通过异常和 shape 检查定位问题。本课程按这个顺序推进，目标是让你尽快阅读 D2L，而不是学完所有 Python 机制。
课程路径是：先掌握 AI 代码高频的语言结构，再用 NumPy 处理和可视化数据，最后把相同思路迁移到 PyTorch Tensor 和 D2L 风格代码。
每课的练习循环
- 阅读概念，先预测最小示例的输出或 shape。
- 运行自己的
.py文件或 notebook cell。 - 修改一个输入或操作，再预测变化。
- 解释结果，说明哪条规则导致了变化。
如果只能复制代码而不能解释结果，就回到预测步骤。预测和实际输出之间的差异，是最有价值的反馈。
运行第一个文件
创建 lesson_00.py：
course = "Python for AI"
current_lesson = 0
print(f"Starting {course}, lesson {current_lesson:02d}")
在终端运行：
python lesson_00.py
如果系统使用 python3，运行 python3 lesson_00.py。预期输出：
Starting Python for AI, lesson 00
这个文件从上到下执行：先绑定两个值，再用 f-string 生成文本。
实践规则：短代码尽量亲手输入。输入过程会暴露引号、括号和缩进错误，运行结果则检验你的 mental model。
错误也是反馈
看到 traceback 时先读最后一行，它通常包含异常类型和最直接的线索：
NameError: name 'current_lesson' is not defined
然后向上找到自己的代码行，检查拼写、大小写、引号、括号和缩进。一次只改一个假设，保留能重现问题的最小示例。
AI 场景
训练脚本常从普通 Python 配置开始：
learning_rate = 1e-3
batch_size = 64
num_epochs = 10
这些只是绑定到数字的名称，之后才会传给优化器、DataLoader 和训练循环。基础语法越清楚，后面的数学代码越容易读。
快速检查
- 为什么要在运行前预测输出？
- traceback 的哪一行最值得先读？
- “读过示例”和“完成练习循环”有什么区别？
查看答案
预测会暴露当前 mental model，实际输出可以检验它；先读最后一行 traceback；完整循环还包括运行、修改和解释，而不只是阅读。
练习
★ 基础：课程标记
创建 course_marker.py，用三个变量保存你的名字、课程名和总 lesson 数，用 f-string 输出一句话。
★★ 应用：预测进度
增加 completed_lessons = 0，打印剩余 lesson 数。每次只修改完成数，先写下预期输出再运行。
★★★ Challenge：修复 traceback
写一个三行学习计划。故意拼错一个变量名，运行文件，根据 traceback 修复它，并说明错误发生在哪一行。
参考答案
```python course = "Python for AI" completed_lessons = 0 total_lessons = 25 print(f"Course: {course}") print(f"Completed: {completed_lessons}") print(f"Remaining: {total_lessons - completed_lessons}") ```小结与速查表
| 任务 | 做法 |
|---|---|
| 运行文件 | python filename.py |
| 学习错误 | 先读 traceback 最后一行，再定位自己的代码 |
| 验证理解 | 预测、运行、修改、解释 |
| 保存进度 | 每课末使用“标记为已完成” |
D2L 衔接
D2L notebook 把说明、公式和可执行代码放在一起。你将继续使用同一个循环：读 cell、预测值或 shape、运行、修改一个输入并解释结果。完成第 24 课的能力测试后，再决定是否开始 D2L。