核心必修：纯 Python；不需要 C++、CUDA、GPU。
前置：预备单元、第 1 讲。
节奏：建议分两三次完成，每次只做一两题，按理解推进而不是赶时间。
修改：lab00.py；测试、tracer、示例不需要改。
1. 路线与文件
| 步骤 | 任务 | 本次新增的能力 |
|---|---|---|
| Q0 | 运行完成的例子 | 读编号表，不从空白开始 |
| Q1 | 填连续索引 | 把分组关系写成公式 |
| Q2 | 填跨步索引 | 改分配顺序但不改结果 |
| Q3 | 组合前两题 | 从统计结果提取信息 |
| Q4 | 写时间下界模型 | 对齐字节、FLOPs 与时间单位 |
| Q5 | 独立写 vector_scale | 迁移到相近但未提供骨架的任务 |
| Q6 | 修复尾部越界 | 用最小复现解释一个 bug |
walkthrough.py 是完整示例，simt.py 是访问追踪工具，lab00_solution.py 是完整解法。先会用 tracer，不要求读懂它的内部实现。
所有 python course/... 命令从课程根目录运行，即能直接看到 course 的位置。离线ZIP解压后进入这一层；个人主页源仓库先 cd _courses/deepinfer。使用WSL且命令名为 python3 时统一替换；Windows也可用 .\course\run.ps1 lab00 --question q0。
教材与题目对应
| 先读与手算 | 再做 | 完成后自己解释 |
|---|---|---|
| L1 第2–4节、五元素尾组图 | Q0/Q1，随后Q6 | 有效索引不漏、不重；guard在读写前 |
| L1 第5–6节 | Q2 | 分工变化不等于输出顺序变化 |
| L1 第7–8节、L2 第1节 | Q3 | word/byte/line/sector是不同单位 |
| L1 第9节 | Q4 | 两条下界为什么取max |
| 以上全部 | Q5 | 一次load一次store与新算子的关系 |
Q6虽保留原题号，但可在Q1后先修；Q5是迁移题，不要求在看懂tracer前独立摸索它的内部代码。每次先手算一个新输入，再运行单题；别从全量红色输出猜哪一题是当前问题。
2. Q0：一个确定能运行的起点
python course/labs/lab00/walkthrough.py
python course/tools/grade.py lab00 --question q0结果应为 c=[11,22,33,44,55]。最后一个执行者 bid=1,tid=3,i=7 被标为“跳过”。这一步不依赖任何待实现函数，应该直接通过。
先自己解释 (bid=1,tid=0) 为什么处理第五个元素；再进入 Q1。
3. Q1：只填一个索引公式
在 lab00.py 找到 coalesced_index(tid,bid,block_dim)，替换它的 raise NotImplementedError。其余 vector_add 骨架已经给出。
先填表：
| bid | tid | block_dim | 元素位置 i |
|---|---|---|---|
| 0 | 0 | 4 | 自己填 |
| 0 | 3 | 4 | 自己填 |
| 1 | 0 | 4 | 自己填 |
| 1 | 2 | 4 | 自己填 |
计算完再写公式。骨架会检查 i<n，并通过 device.load/store 读写。make_vector_gpu(a,b) 返回的五个值是：设备对象、a 的起点、b 的起点、c 的起点、长度 n。
python course/tools/grade.py lab00 --question q1 --failfast提示 1：从每组起点想
第 bid 组前面已有 bid 个完整组，每组 block_dim 个元素。
提示 2：完整公式
bid*block_dim+tid。这里的乘数是每组人数，不是组数。
测试含 n=1000 的尾部、空输入、负数、输入不被修改。若只修公式仍报越界，先确认没有改动已经提供的 if i<n。
4. Q2：换分配顺序，不换输出顺序
实现 strided_index(tid,bid,grid_dim)。先用 grid=3,block=4 列出每组负责的元素：
bid=0: 0,3,6,9
bid=1: 1,4,7,10
bid=2: 2,5,8,11输出的 c[i] 仍然对应第 i 个输入；不要把结果按执行顺序追加到列表。
python course/tools/grade.py lab00 --question q2 --failfast提示 1：相邻 tid 距离多少？
固定 bid 后，tid 每增加 1，元素位置增加 grid_dim。
提示 2：公式
tid*grid_dim+bid。对于 n=10,block=4,grid=3，仍要跳过大于等于 10 的索引；现成骨架已经处理。
5. Q3：先预测统计，再提取字段
实现 compare_transactions(n,block)，返回 (连续line数,跨步line数)。复用 Q1/Q2；统计字典的 global_transactions 字段保留旧名，指的是 128B line 触及次数。
对 n=1024,block=128：
grid=8
warps 总数=8*(128/32)=32
每 warp 两次 load，一次 store
连续：32*3*1=96 lines
跨步：32*3*8=768 linespython course/tools/grade.py lab00 --question q38 倍是本模型在这个输入下的计数比，不是“GPU 一定快 8 倍”。当 grid=1 时，两种索引相同。
6. 统计字段怎样读
| 字段 | 含义 | 不能把它当成什么 |
|---|---|---|
| global_loads / stores | 各线程显式读写的元素次数 | 缓存 miss 次数 |
| bytes_moved | 请求字节：4*(loads+stores) | 实测 HBM traffic |
| global_transactions | 按 warp 指令累计的 128B line 数 | 完整 line 一定被传输 |
| global_sectors | 同样分组的 32B sector 数 | 完整显存协议的请求数 |
| sector_bytes | sector 数乘 32B | profiler 测得的 DRAM 字节数 |
tracer 依次运行线程、不模拟 barrier 或缓存；内部用“线程第几次内存访问”近似指令身份。本 Lab 的直线读写与统一尾部 guard 满足用途；带有不同访存分支或不同循环次数的任意 kernel 不在模型支持范围。
word 16–47 触及两条 line、四个 sector，不能按两条完整 line 算成 256B。这一点在基础设施回归测试里固定下来。
7. Q4：实现带单位的 Roofline 下界
roofline 返回 (秒数,bound)。规格：
memory_time = bytes_moved/(bandwidth_gbps*1e9)
compute_time = flops/(peak_tflops*1e12)
seconds = 两者最大值带宽和算力必须为正，否则 ValueError；相等时 bound 取 "memory"，否则取较大时间对应的 "memory" 或 "compute"。本题输入的 bytes/FLOPs 为非负数。
手算搬 1GB、算 1TFLOP、100GB/s、10TFLOP/s：两个时间是 0.01 秒和 0.1 秒，答案 (0.1,"compute")。
python course/tools/grade.py lab00 --question q4这不是模拟器计时结果，也不包含 kernel 启动延迟。
8. Q5：独立实现相近的新算子
这次实现 vector_scale(a,factor,block=128)，返回 (c,stats)，其中 c[i]=a[i]*factor。不再提供函数体；可以回看 _run_add，但先自己列步骤。
先读懂提供的骨架，不用猜 Python 新语法：
def kernel(...)是普通函数，只是定义在另一个函数内部。- 内层函数可以读取外层已有的
n、a_addr等变量；这里不需要给外层变量重新赋值。 gpu.run(kernel,grid,block)把这个函数交给 tracer，tracer 为每个线程填入tid,bid,block_dim,grid_dim,device后调用它。写kernel是传函数，写kernel(...)才是立刻调用。device.load/store是已经提供的读写工具；它们多做了一件“记录地址”的事。
这与下面这段普通 Python 循环的“重复调用函数”相似；区别是 tracer 会额外设置记录上下文，所以实际练习要调用 gpu.run，不要自己替换它：
for bid in range(grid):
for tid in range(block):
kernel(tid, bid, block, grid, gpu)如果传函数的写法还不熟，先在纸上推演 grid=2,block=2 时的四次调用，再开始独立实现。
要求：通过 tracer 每元素读一次、写一次；不修改 a；空输入零访问；block 在 1–1024。可以用 make_vector_gpu(a,[0]*len(a)) 获得一维布局，把占位 b 留着不读，不必修改 tracer。
输入 [1,-2,3,0,5]，factor=-3
期望 [-3,6,-9,0,-15]
loads=5，stores=5，requested_bytes=40python course/tools/grade.py lab00 --question q5 --failfast
python course/tools/grade.py lab00 --question q5 --hint 1测试会同时检查输出和访问计数。直接用列表推导计算输出却不经 tracer，结果正确也不能满足本题目标。
9. Q6：修复尾部错误
vector_add_debug 是完整但有 bug 的版本。先只运行本题：
python course/tools/grade.py lab00 --question q6 --failfast输入长度 5，block=4，分配的内存地址是 0–14。查看异常中的地址，回到源码定位触发读写的 i。
先回答：i==5 对 a/b/c 都是合法元素位置吗？不要通过增大分配内存或捕获并忽略 IndexError 来掩盖错误。
定位过程
合法位置是 0–4；第 1 组 tid=1 算出 i=5。错误 guard 允许它继续执行，写 c 的地址为 10+5=15，超出范围。修复 guard，而不是跳过错误测试。
修复后确认：完整 block、尾部 block、空输入均通过。写下一个“修复前失败、修复后通过”的输入。
10. 出口与下一步
python course/tools/grade.py lab00全部运行还会包含 test_simt.py，它检查 tracer 的 sector 和广播规则，不需要你修改。
能解释以下三个问题就完成本实验；卡住的点标记为“需要复习”，不抹去已经完成的进度：
- n=10、block=4 时，最后一组谁应该跳过？
- Q5 为什么只有一次 load，而 Q1 有两次？
- 为什么 line 计数、sector 计数、有用字节不能混为一个指标？
独立变式：输入长度9、block=4、factor=−2。先写三个组的有效tid，再预测Q5计数：9次load、9次store、72B请求；最后一组只有tid=0有效。运行自己的函数核对结果与输入副本。解释为什么单看输出正确，仍发现不了绕过tracer的实现。
下一步是 第 3 讲 和 Lab1 的 Python 算法部分。也可先读 第 2 讲 的访存推导；CUDA、occupancy、profiling 都可留待后续。现在不要求做 KV/量化作业，也不要求实现完整 Project1。