十、常见或经典内容解读 10.1 RNN循环神经网络 介绍 10.1.1 什么是seq2seq模型 Seq2Seq（Sequence-to-Sequence，序列到序列） 是深度学习中处理“输入一个序列，输出另一个序列”任务的核心架构。拥有此构架的模型称为seq2seq模型，常用来完成机器翻译任务、文本摘要任务、文本对话任务等。 通俗地说，就是将一个输入序列转换成一个输出序列的转换器，如下面的动图

九、PyTorch模型部署 到目前为止，我们已经初步掌握了如何用 PyTorch 框架实现与训练神经网络模型，也学习如何在训练环境下做推理、将模型文件保存下来。但很多时候，我们在软硬件环境A下训练与保存得到了模型文件，实际使用时可能无法还原当时训练环境A中的软硬件，甚至要求使用与训练环境A完全不同的另一套软硬件环境。此时我们可能会想，有没有一种类似于 Java 虚拟机一样的东西能让编译好的 Jav

八、PyTorch生态简介 前面几个章节已经学习了张量的基础知识、PyTorch 模型的常用组成部分与定义、模型的常规训练与验证/测试流程、模型可视化等内容，大家对基于 PyTorch 的深度学习已经有了初步的认知。回顾一下，前面学习过程中使用到的场景、示例大多是计算机视觉（CV）相关的，几乎一直在使用 PyTorch 官方开源的 torchvision 这个计算机视觉包。虽然一直在使用，但并未从

七、PyTorch可视化 7.1 可视化网络结构 7.1.1 神经网络可视化背景 前面说过，要想基于某个开源神经网络进行二开，修改成符合自己需求的神经网络，需要对原开源神经的结构、输入输出有熟悉的了解。 直接使用Python原生的print函数打印相关神经网络实例，固然可以输出其结构，但只能得到其最粗略的构件信息（每一个模型块或层由哪些模型块组成，及构造函数的关键参数），不能直观地查看每一个模型块

六、PyTorch进阶训练技巧 6.1 自定义损失函数 尽管PyTorch官方针对主流模型为用户提供了很多内置损失函数，但随着应用场景的变化与自定义模型的出现，那些内置损失函数可能并不适合，于是产生了一些针对非通用模型的损失函数。有些损失函数是针对某特定场景使用，可以直接拿来使用或修改使用，有些场景或自定义模型甚至找不到现成或逼近的损失函数可用，此时就需要自定义损失函数。 本章节学习的内容包括：如

本系列学习笔记源自开源项目：https://github.com/datawhalechina/hello-gpu 。是自己在学习过程上的记录与心得。 第0篇 入门与硬件速通 0.0 项目介绍与学习提示 阶段 你会学到 学完能做什么 入门（第 0 篇） RX 9070 XT 环境、GPU 体系结构速通、第一个程序 跑通环境，建立 Roofline 心智模型 Profiling（