新的 PyTorch Certified Associate（PTCA）认证路径，把针对性的学习模块与 PTCA 认证考试放进同一个结构化体验中。对开发者而言，这项变化的价值不只是“多了一张证书”，而是让学习、动手练习和能力验证之间形成更清晰的闭环。
需要注意的是，认证路径不等于考试本身：前者负责组织学习过程，后者用于验证能力。具体考试范围、题型、时长、费用和环境要求，应以当前发布的官方说明为准，不要根据非官方题库或旧经验做假设。
结构化路径解决了什么问题
自学 PyTorch 最常见的困难不是找不到资料，而是不知道哪些内容应该先学、掌握到什么程度，以及什么时候可以进入考试阶段。
将学习模块和认证考试放在同一条路径中，可以减少三类摩擦：
- 内容选择困难：学习者可以围绕明确模块推进，而不是在教程、博客和示例仓库之间反复切换。
- 理论与实践脱节：每学完一个主题，都可以通过小型代码任务检查自己是否真的理解张量、模型、训练循环和推理流程。
- 备考缺乏终点：认证考试为学习路径提供了清晰的验证节点，但学习目标仍应是能解释和调试代码，而不是只记住 API 名称。
对团队来说，这种路径也可以作为基础能力培养框架。例如，新成员可以先完成学习模块，再用统一的内部练习项目检查工程能力，最后根据岗位需要决定是否参加考试。
不要只“看懂”：用最小项目验证 PyTorch 基础
下面是一个可以直接运行的小型分类项目。它覆盖张量构造、模型定义、损失函数、反向传播、参数更新、评估以及模型参数保存和恢复。
先创建隔离环境并安装 PyTorch：
python -m venv .venv
# macOS / Linux
source .venv/bin/activate
# Windows PowerShell 请改用：
# .venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install torch
将下面代码保存为 ptca_practice.py：
import torch
from torch import nn
def main() -> None:
torch.manual_seed(42)
# 两类二维样本：类别 0 位于左下区域，类别 1 位于右上区域。
features = torch.tensor(
[
[-2.0, -1.0],
[-1.5, -0.5],
[-1.0, -1.5],
[-0.5, -1.0],
[0.5, 1.0],
[1.0, 1.5],
[1.5, 0.5],
[2.0, 1.0],
],
dtype=torch.float32,
)
labels = torch.tensor([0, 0, 0, 0, 1, 1, 1, 1], dtype=torch.long)
model = nn.Sequential(
nn.Linear(2, 8),
nn.ReLU(),
nn.Linear(8, 2),
)
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.05)
model.train()
for step in range(300):
logits = model(features)
loss = loss_fn(logits, labels)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if step % 100 == 0:
print(f"step={step:03d} loss={loss.item():.4f}")
model.eval()
with torch.no_grad():
predictions = model(features).argmax(dim=1)
accuracy = (predictions == labels).float().mean().item()
print("predictions:", predictions.tolist())
print(f"training accuracy: {accuracy:.2%}")
# 保存的重点是参数状态，而不是整个 Python 模型对象。
checkpoint_path = "tiny_classifier.pt"
torch.save(model.state_dict(), checkpoint_path)
restored_model = nn.Sequential(
nn.Linear(2, 8),
nn.ReLU(),
nn.Linear(8, 2),
)
restored_model.load_state_dict(
torch.load(checkpoint_path, map_location="cpu", weights_only=True)
)
restored_model.eval()
with torch.no_grad():
restored_predictions = restored_model(features).argmax(dim=1)
assert torch.equal(predictions, restored_predictions)
print(f"checkpoint restored successfully: {checkpoint_path}")
if __name__ == "__main__":
main()
运行程序：
python ptca_practice.py
不要把“程序成功运行”当作练习结束。继续回答这些问题，才能确认自己掌握了代码：
- 为什么分类标签使用
torch.long，而输入特征使用torch.float32？ - 为什么训练循环中需要调用
optimizer.zero_grad()？ model.train()、model.eval()和torch.no_grad()分别影响什么？CrossEntropyLoss为什么直接接收 logits，而不是预先执行 softmax？- 如果恢复模型时隐藏层维度从 8 改成 16，会发生什么？
还可以把项目改造成更接近真实开发的版本：拆分训练集和验证集、使用 Dataset 与 DataLoader、增加批量训练、切换 CPU/GPU，并记录每轮损失。这里的示例是备考实践建议，不代表官方考试题目或固定考试范围。
把学习模块转换成可验证的能力
完成每个模块后，可以建立一张“主题—代码—解释—排错”表，而不只是记录学习进度。例如：
| 学习主题 | 最小代码产物 | 应能解释的问题 | 常见排错点 |
|---|---|---|---|
| 张量与形状 | 创建、变形和广播张量 | 每一维代表什么 | shape 不匹配、dtype 错误 |
| 自动求导 | 计算损失并执行反向传播 | 梯度存在哪里 | 忘记清零梯度、意外断开计算图 |
| 模型训练 | 完整训练循环 | 训练模式与评估模式的差异 | 学习率不合适、损失不下降 |
| 推理与保存 | 加载参数并预测 | 参数状态与模型结构的关系 | 结构不一致、设备映射错误 |
如果官方学习模块使用不同的主题划分，应以官方最新内容为主，再把这套方法映射过去。关键不是自行猜测考试大纲，而是为每个已公布目标准备一个可运行、可解释、可修改的实例。
采用这条路径时的检查清单
在报名考试前，可以做一次简短的能力审查：
- 已查看最新的考试目标、政策和技术环境要求。
- 能在不复制教程的情况下写出基本训练与推理流程。
- 能解释 tensor shape、dtype、device 和梯度的变化。
- 能定位常见错误，而不只是反复调整代码直到运行成功。
- 能保存、加载并验证模型参数。
- 已完成限时练习，避免只熟悉开放式开发环境。
- 没有把非官方模拟题当成真实考试范围。
PTCA 新路径最值得利用的地方，是它把学习和认证组织成连续过程。更稳妥的准备策略，是跟随模块建立知识结构，再用小项目暴露理解缺口，最后才用考试验证结果。证书可以证明一个阶段的完成，但真正能留在工程工作中的，是独立编写、解释和调试 PyTorch 程序的能力。