🏠 总目录📚 本教程 00 · 怎么用这份教程 →
📑 本页目录（点开跳转）

00 · 怎么用这份教程

⏱ 44 分钟 ｜ 🧭 十三页里只有三页是必读的，剩下十页是「等你撞上那个 bug 再回来」

🎯 一句话

全站 86 页的代码里在用 NumPy，横跨 9 个板块，但没有一章在教它。

这一套只讲两件事：np.ndarray 这个数据结构本身（形状、广播、视图、内存布局、索引、dtype、随机数）， 和为什么写 for 循环是错的。⭐ 不讲建模，不讲线性代数，不讲 pandas。

⏱ 先说清楚这套的章比站内其他板块长（普遍 50–120 分钟，站内其他板块的中位是 30）—— 因为每个知识点都带实跑代码和真实报错，压不下去。设计上就没打算让你一次读完： 超过 55 分钟的章在中间有 🛑 休息点，最长的几章有两个，停在那里下次接着读就行。 徽章是按 170 字/分钟实测校准的，宁可吓到你，也不骗你。

📊 一、这个洞有多大（两个 grep 口径，各撑一个论点）

⚠️ 两句都要看，只看一句都会得出错的结论。

口径一 —— 代码里真的在调它（grep -rl "numpy" --include=*.html，小写，即 import numpy / np. 调用）：

86 页 / 9 个板块

这份教程涉及哪些板块
板块原统计命中页数
机器学习与深度学习基础19
数据这一关18
模型上线之后16
推荐算法13
机器学习的数学原理11
强化学习基础5
AI基础设施2
智能体工程教程1
大模型全景导论1

⚠️ Kaggle竞赛方法论 命中 0

md 源那一侧同理：grep -rl "import numpy" _src --include=*.md = 62 个 md / 7 个源目录 （data 18 · ops 15 · ml 13 · theory 11 · rl 3 · overview 1 · agent 1）。

口径二 —— 连正文里写作「NumPy」的也算（grep -ril，不区分大小写）：87 页 / 10 个板块。

⭐ 多出来的那 1 页正是 Kaggle 竞赛方法论，而且它是那个板块唯一一次提到 NumPy： Kaggle竞赛方法论/04:756 写「设置 Python、NumPy、PyTorch 的随机种子确保实验可复现」—— 给了指令，没给机制。那一句就是第 10 章存在的全部理由。

⭐ 为什么坚持写两个数： 「86 页 / 9 个板块」撑的是「代码在用而没人教」——这是本板块的立项判据，主论点用它。 「Kaggle 那 1 页」撑的是第 10 章唯一一条最硬的证据。 💀 只写前者会让第 10 章的证据凭空消失，只写后者又夸大了「代码在用」的面。

还有一条更直白的：ML 基础 00 章的走神救援里白纸黑字写着 「前置几乎为零：numpy＋sklearn」，ml_md/01 让你 pip install numpy scikit-learn —— ⭐ 承重墙板块把 NumPy 声明成了前置，而立项调研时全站 392 页没有一页教它（这正是本板块的立项理由；建成后全站 453 页）。 这一套补的就是那个前置。

⚠️ 二、两句必须先说的消歧（站内有两个同名不同物）

这不是咬文嚼字。站内已经栽过一次同名不同物的坑（《不靠数据的 AI》里的 CSP 约束满足问题， 和《密码学与信息安全》里的 CSPRNG / Cryptographic Service Provider， 按关键词 grep 会把后者误判成「已经讲过了」）。所以先钉死两个词：

词 站内别处指的是 ⭐ 这一套里指的是
向量化 把文本变成 embedding 向量（智能体工程教程/11、大模型全景导论/08 等 10 处全是这个意思，NumPy 义命中 0） 把 Python 循环改写成整块数组运算（第 01 章、第 07 章）
stride 卷积核每次滑动几格（ml_md/12、ml_md/附录C 全是这个意思，内存义命中 0） ⭐ 内存步长：在这根轴上走一格，地址要跳多少字节（第 05 章）

⚠️ 两个词在这套教程里一律是右边那个意思，后面不再重复声明。

⛔ 三、明确不做的五件事

写在这里，免得你读到一半才发现期待落空：

不做 为什么 去哪
pandas 是另一个题（DataFrame / 索引对齐 / groupby 是一整套自己的语义），全站已有 16 个 md 在用它 本板块只讲 ndarray
建模本身 线性回归怎么拟合、树怎么分裂，是别人的正题 ML 基础
线性代数推导 特征值、SVD、条件数、PCA 的推导已经讲透了 数学原理 05b / 05c
GPU / CuPy / Numba 换硬件是另一个层次的问题 AI 基础设施
⭐ 计时与剖析方法论 「为什么取 min 不取 mean」「怎么预热」「perf_counter vs time.time」「cProfile 怎么读」是 Python 工程题，不是 NumPy 题 《Python》板块。本套只给倍数，不建计时小节

⚠️ 第五条的后果你会在第 01 章直接看到： 那一章给了一张耗时表，但不解释怎么测，只在脚注里说明口径去哪儿看。

🗺️ 四、章节地图（13 页）

章 标题 ⏱ 定位
00 怎么用这份教程 44 分钟 你正在读的这一页
⭐ 01 为什么写循环是错的 42 分钟 ⭐ 必读。整套的动机，讲「快」的三层来源
02 shape 和 axis 到底怎么数 48 分钟 换一个说法之后再也不会数错轴
⭐ 03 广播的三条规则 94 分钟 ⭐ 必读。全站 62 个 md 都在用它，规则本身从没写出来过
⭐ 04 视图还是拷贝 106 分钟 ⭐ 必读。「改了 A，B 也变了」这类 bug 的唯一出处
05 内存布局、stride 与 C/F order 50 分钟 转置为什么不搬数据、.contiguous() 到底在修什么
06 索引的四种形态 88 分钟 切片 / 整数数组 / 布尔 / 混用，只有第一种是视图
07 把循环改写成数组运算：六个套路 66 分钟 手上有循环、想不出怎么改写时翻这一章
08 整数 dtype 的真相：回绕与截断 64 分钟 数值突然变成负的、或者正好等于 32767 时看这里
09 log 域运算：logaddexp、logsumexp 与 log1p 76 分钟 结果出 inf / nan 时看这里
10 随机数、种子与可复现 64 分钟 「两次跑出来不一样」和「四个 worker 抽出同样的随机数」
11 从 NumPy 到 PyTorch：四个语义陷阱 104 分钟 会 NumPy 之后转 torch 会踩的四个不报错的坑
附录 A 速查（含报错对照） 随时查，不用通读 「我要干这件事该用哪个函数」+ 十条报错到原因

⭐ 正文合计约 14.1 小时（846 分钟，不含附录）。

⚠️ 这些数字是按 170 字/分钟量出来的，不是拍脑袋写的。标少了比不标更糟 —— 你会中途弃坑，而且从此不再信这个数。

⭐ 只有 01 / 03 / 04 是必读的。 剩下的九章是查阅章 —— 它们各自对应一类具体的 bug，你撞上了再回来，比现在硬读效率高得多。 这一条就是这个板块和别的板块最大的不同，别把它当成一本需要通读的书。

🧭 五、四条读法

🎯 路线 A：只想不再写错（推荐给大多数人，约 4 小时）

操作步骤

01 为什么写循环是错的 ⭐
03 广播的三条规则 ⭐
04 视图还是拷贝 ⭐

⭐ 这三章加起来 242 分钟，覆盖了 NumPy 90% 的日常事故。 其中 04 章最值钱：它解释了「我明明只改了切片，原数组怎么也变了」这一整类 bug。

🔧 路线 B：手上正卡着一个具体问题（按症状跳，每次 50–100 分钟（章内有 🛑 断点，不用一次读完））

你看到的症状 去哪一章
operands could not be broadcast together with shapes ... 03
「我只改了 b，a 怎么也变了」 04
view size is not compatible with input tensor's size and stride 05
AttributeError: Incompatible shape for in-place modification 05
累加的结果比预期小、重复下标只加了一次 06
「这段循环太慢了，但我想不出怎么改写」 07
数字突然变负、或正好是 32767 / 65535 / 2147483647 08
结果里出现 inf 或 nan 09
「两次跑出来不一样」/「四个 worker 抽到一样的数」 10
从 NumPy 转 PyTorch 之后语义对不上 11

⭐ 这张表就是本板块的主入口，比从 01 章顺着读更常用。

⚡ 路线 C：想把代码改快（约 3 小时）

信息关系

01（为什么快）→07（六个套路）→05（为什么有时候换个轴就慢了 6 倍）

⚠️ 顺序别反。不知道「为什么快」就套用第 07 章的套路， 会得到「我照抄了但没变快」——因为你抄的那一条恰好不是瓶颈。

📚 路线 D：完整走一遍（约 14 小时）

00 → 01 → … → 11 → 附录 A。适合准备面试，或者想彻底不再怕这个库。

🧩 六、每章长什么样

元素 作用 怎么用
⏱ 时间徽章 决定现在要不要开始 只有 15 分钟就别开 90 分钟的章
🎯 一句话 全章压成一句 ⭐ 只看这一句就走，是被允许的
💻 代码 ⭐ 每段自带 import numpy as np 并自己造数据 复制到空文件就能跑，不需要 GPU、不需要数据集
✅ 检查点 折叠答案，只考正文讲过的 答不上来就回去翻
🛑 可以停在这里 明确的退出点 停在这里不算失败，是设计好的
⚡ 走神救援 ⭐ 全章压成一段，带具体数字 隔几天回来只读这一段就能接上

⭐ ⚠️ 和 💀 的区别：⚠️ 是坑（容易搞错），💀 是真会出事的后果。

⭐ 本板块的代码有一条额外规矩：每一段都自己造数据，绝不出现「我们还用刚才那个 X」。 原因很实际——这一套的代码密度是全站最高的，只要有一段依赖上一段， 你复制单块出去就是 NameError。所以你可以从任何一段开始复制。

⚠️ 关于耗时数字：正文里所有「多少毫秒 / 快多少倍」都是在 Windows 11 / Python 3.13 / NumPy 2.4 / 笔记本 CPU 上实跑出来的。 ⭐ 你的绝对耗时一定会不同，看倍数和量级，别看毫秒数。 💀 这台机器有热降频，同一个脚本重跑 4 次，01 章那个倍数 在 19x 到 37x 之间摆动 —— 所以那一章给的是区间，不是一个数。

🔗 七、它和站内其他板块的关系

那一套 管什么 分界
机器学习与深度学习基础 拿 NumPy 去建模 ⭐ 那边把 NumPy 当书写媒介，这边把它当主题。ml_md/00 声明的那个「前置」就是这一套
ML 基础 附录 C · 手撕代码速查 十道白板题的标准写法 ⭐ 附录 C 是「这一题怎么写」，这一套是「这个语法为什么成立」。本板块只把它那三行当例子引用（z - z.max(axis=1,keepdims=True)、grad[np.arange(n), y] -= 1.0、X[:,None,:]-C[None,:,:]），绝不重写那几道题
ML 基础 附录 B · 代码速查 能跑的 sklearn / PyTorch 模板 那份表里没有「语法本身」这一格 —— 本板块的附录 A 补的就是那一格
机器学习的数学原理 线性代数与概率的意义 ⭐ 那边讲条件数、SVD、PCA 的推导；这边只讲 float64 存不下的时候会发生什么
AI 基础设施 GPU、显存、混合精度 ⭐ 05 章 和 ai_md/02 是同一个道理的两个尺度（CPU cache vs GPU HBM）；08 章 只做整数，浮点低精度整块归 ai_md/06
数据这一关 数据进模型之前的那一半 ⭐ 那边 07 章 把「正好等于 32767 / 65535」列为脏数据的判别信号；本板块 08 章讲的是你自己怎么制造出这种数据的

🚦 现在就开始

建议：先读第 01 章。

它不教任何 API，只回答一个问题：同一件事，纯 Python 一次 68 毫秒、NumPy 一次 3.5 毫秒， 这个差距到底是从哪来的。 ⭐ 答案不是「C 比 Python 快」—— 那一章会用一个 同样是 numpy、同样走 C 代码、却慢 8 倍的反例把这个说法直接推翻。

下一节 👉 01-为什么写循环是错的.md

🧭 已经知道自己卡在哪？ 直接跳： 形状报错 → 03-广播的三条规则.md ｜ 改了 A 结果 B 变了 → 04-视图还是拷贝.md ｜ 想改快 → 07-把循环改写成数组运算.md ｜ 出现 inf / nan → 09-log域运算.md ｜ 报错原文对照 → 附录A-速查.md

✅ 检查点

  1. 这个板块的立项判据是什么？为什么要同时写「86 页 / 9 个板块」和「87 页 / 10 个板块」两个数？
  2. 站内说的「向量化」和这里说的「向量化」分别是什么意思？
  3. 站内说的「stride」和这里说的「stride」分别是什么意思？
  4. 明确不做的五件事是哪五件？其中「计时与剖析」为什么被排除？
  5. 十三页里哪三页是必读的？剩下十页该怎么用？
  6. 手上正卡着 operands could not be broadcast together with shapes 该去哪一章？看到 view size is not compatible ... 呢？
  7. 本板块的代码有一条额外规矩，是什么？为什么要立这条规矩？
  8. 正文里的耗时数字该怎么读？为什么 01 章给的是区间不是单点？
👀 答案
  1. 判据是「全站代码在用它而没有一章教它」。两个数各撑一个论点：「86 页 / 9 个板块」（grep -rl "numpy"，小写，即代码里真的在调）撑主论点「代码在用而没人教」；「87 页 / 10 个板块」（grep -ril，不区分大小写）多出来的那 1 页正是 Kaggle竞赛方法论/04:756，那是那个板块唯一一次提到 NumPy（「设置 Python、NumPy、PyTorch 的随机种子确保实验可复现」——给了指令没给机制），它是第 10 章唯一一条最硬的证据。💀 只写前者，第 10 章的证据凭空消失；只写后者，又夸大了「代码在用」的面。
  2. 站内别处的「向量化」是把文本变成 embedding 向量（10 处全是这个意思，NumPy 义命中 0）；这里是把 Python 循环改写成整块数组运算。
  3. 站内别处的「stride」是卷积核每次滑动几格（内存义命中 0）；这里是内存步长 —— 在这根轴上走一格，地址要跳多少字节。
  4. pandas（是另一个题）· 建模本身（ML 基础）· 线性代数推导（数学原理 05b/05c）· GPU / CuPy / Numba（AI 基础设施）· 计时与剖析方法论。第五条被排除是因为「为什么取 min 不取 mean」「怎么预热」「perf_counter vs time.time」是 Python 工程题不是 NumPy 题，归《Python》板块。后果是 01 章给了耗时表但不解释怎么测。
  5. 只有 01（为什么写循环是错的）· 03（广播）· 04（视图还是拷贝） 是必读，三章共 242 分钟，覆盖 90% 的日常事故。剩下九章是查阅章，各自对应一类具体的 bug，撞上了再回来比现在硬读效率高得多。
  6. 广播报错去 03 章；view size is not compatible with input tensor's size and stride 去 05 章（那是 stride 不连续造成的，05 章讲机制）。
  7. 规矩是「每段代码自带 import numpy as np 并自己造数据，绝不出现『我们还用刚才那个 X』」。立它是因为本板块代码密度全站最高，一旦某段依赖上一段，读者复制单块出去就是 NameError。好处是你可以从任何一段开始复制。
  8. 看倍数和量级，别看毫秒数 —— 所有数字都在 Windows 11 / Python 3.13 / NumPy 2.4 / 笔记本 CPU 上跑的，你的绝对耗时一定不同。01 章给区间是因为这台机器有热降频：同一个脚本重跑 4 次，倍数在 19x 到 37x 之间摆动，报一个单点数字就是在编数字。

🛑 可以停在这里

⚡ 走神救援

先记住这几件事

下一节 👉 01-为什么写循环是错的.md

打卡记录保存在你的浏览器里，首页能看到总进度