使用 pytorch_gpu 正式运行 Notebook，13 个代码单元全部成功执行。
最终训练损失：0.0263615
权重：5.015503
偏置：1.9849643
7 英里预测：37.1 分钟
混合非线性数据损失：179.26（线性模型无法拟合非线性数据）
已能用自己的语言复述数据、模型、MSE、梯度、反向传播、SGD、学习率、多轮迭代之间的因果关系。
已辨析线性与非线性模型的损失地形、局部最低点、鞍点，以及训练损失和泛化能力的区别。
pytorch_gpu 而非 base）Agg 后端未保存 Notebook 内嵌图的问题完成 Notebook 运行；另独立重跑复现并生成训练关键帧/损失曲线/最终拟合三图。
归一化最终 loss：0.0031
真实单位 RMSE：1.57 分钟
5.1 英里预测：38.7 分钟 → 使用汽车
模型：Linear(1,3)+ReLU+Linear(3,1)，10 个参数
已能复述标准化、隐藏层、ReLU 开关斜坡、矩阵乘加偏置（与机器人运动学仿射变换同构）、链式法则联合反向传播、反归一化预测。
生成 ipywidgets 交互版 notebook，可拖动滑块实时调学习率/神经元数/轮数。
纠正「误判 seed=27 为差拟合」——根因是用 Python random 而非 torch RNG 生成初始权重导致对不上；改用真实 pytorch_gpu 严格 manual_seed(27) 后确认是好种子（RMSE 1.57）。另确立「先查 ENVIRONMENT.md 再动手」原则。
真实执行 Notebook，33 个代码单元全部成功执行；生成带输出副本与纯文本执行报告。
.item() / 布尔掩码 / 花式索引已能复述「第 0 维=批」约定、unsqueeze(dim) 位置决定语义（批 vs 特征）、squeeze 只删 size-1 维、reshape 重排数据 vs transpose 交换维度、广播从最右维对齐拉伸等要点。
None），直接 Run All 会在空练习报错，执行前已填入官方答案data.csv，课程包未附带，已补示例 csvnbclient 新版 ExecutePreprocessor 移至 nbconvert.preprocessors，且 cell.source 须为字符串学习起点：从零开始学习 PyTorch。已完成内容：已看完当前主课程 1.1–1.5。当前状态：LEARNING。实操情况：尚未进行配套代码实操。