🎉 新年快乐！CTorch RC1 正式发布！
值此辞旧迎新之际，我们很高兴地宣布 CTorch RC1 正式发布！这是笙歌@ShengFlow 团队数月开发的成果，一个从零开始构建的深度学习框架，旨在提供轻量、高效、易扩展的自动微分与张量计算能力。
RC1 是早期版本，核心功能已就绪，但仍在快速迭代中，欢迎社区试用与反馈！
✨ 已实现核心功能
- 基础张量系统：支持多维张量创建、索引、运算，内存管理基础。
- 核心算子库：涵盖加减乘除、矩阵乘法、激活函数、损失函数（如交叉熵）等基础操作。
- 自动微分引擎：基于动态计算图，已通过单元测试及 MNIST 真实任务验证。
- 日志与调试：分级日志输出（INFO/WARN/ERROR/FATAL），支持终端颜色标识。
🧪 可用示例：MNIST 手写数字识别
我们以经典的 MNIST 数据集作为演示，在默认配置下（网络 784→128→64→10，SGD 优化器，学习率 0.01，batch size 128），仅需 5 个 epoch 即可达到 92.24% 的测试准确率。这验证了自动微分、计算图及优化器的正确性与实用性。
示例代码已集成在
mnist中，欢迎尝试并调整超参数以获得更高准确率！
🔮 RC2 版本规划（预计 2026 Q1 发布）
- 多后端支持：CUDA、Apple MPS、AMX 加速（测试性）
- 算子库扩充：35+ 常用算子（卷积、池化、归一化等）
- QIA 支持：实验性的量化推理加速
- nn 模块：常用网络层（Linear、Conv2d、Dropout 等）
- C++20 模块支持：实验性的模块化编译
- 性能优化：线程池、内存池，提升训练与推理效率
📦 如何获取与参与
- 编译指南：请参考
README.md - 问题反馈：欢迎提交 [Issues] 或参与讨论
- 贡献代码：任何 PR 都将是推动 CTorch 成长的宝贵力量！
CTorch 还很年轻，但充满潜力。期待与你一起见证它的成长！ 🚀
—— 笙歌@ShengFlow 团队
项目链接：
https://github.com/ShengFlow/CTorch