张量

这一部分讲 candle-core 里用户直接打交道的那一层：a.matmul(&b)? 的 a 是什么，它的数据怎么摆，它在哪个设备、是什么元素类型，出错时返回什么。调用越过这一层、进入 Storage 按设备分派之后的事，在后端。

代码集中在 candle-core/src/ 下的几个文件：tensor.rs（3116 行，Tensor 的几乎所有方法）、layout.rs 和 shape.rs（形状、步长、偏移）、strided_index.rs（遍历非连续数据的迭代器）、dtype.rs、device.rs、error.rs。

1. Tensor 的结构：Tensor 是 Arc<Tensor_>，数据在第二层 Arc<RwLock<Storage>> 里；clone 只加引用计数（实测 4 ns）；narrow、transpose、broadcast_as 和连续张量的 reshape 共享 storage，经过视图写入会改到原张量；Metal 上的 copy() 其实不复制。
2. 布局与视图：Layout 是形状、按元素计的步长、起始偏移；视图操作只算新的 Layout；后端用 StridedIndex、StridedBlocks（0.11.0 新增 UniformBlocks）遍历非连续数据；同一个转置张量，matmul 几乎不受影响，逐元素运算慢 1.5 到 15 倍；Metal 的批量 matmul 遇到某些步长会算错。
3. DType 与 Device：DType 有 14 个变体，其中 4 个只能存不能算；WithDType 把 Rust 类型接到 DType 上；Device 是三个变体的枚举，Metal 按设备实例而不是物理 GPU 判断「同一设备」；不同 dtype、不同设备之间不做隐式转换，直接报错；Metal 上真正能算的浮点类型只有 F32、F16、BF16。
4. 错误：一个 Error 枚举、一个 Result 别名；形状、dtype、设备不匹配各有固定的报错格式；bail! 构造 Msg；backtrace 由 Backtrace::capture 按环境变量决定，打开后每个错误多花约 11 µs，还会改变 match 的结果；from_vec 从 0.9.0 起不再检查元素个数。

flowchart TB
  user["a.matmul b"] --> chk["形状检查"]
  chk -->|失败| err["Err ShapeMismatch"]
  chk --> lock["取 storage 读锁"]
  lock --> st["Storage matmul"]
  st --> dev["同设备 同 dtype"]
  dev -->|失败| err2["Err Mismatch"]
  dev --> be["后端按 Layout 计算"]
  be --> out["新 Tensor"]

第一页讲张量本身的结构，第二页讲数据在存储里怎么摆、后端怎么按步长读，第三页讲后端分派前的两道检查（设备、dtype），第四页讲这一路上出错时用户拿到什么。Tensor_ 里的 op 字段怎么记下计算图，见计算图怎么记下来。