一组按照顺序排列的数据这里每个元素都不是孤立的，而是和前后元素有关系。这一节我们初步认识了序列模型，核心内容可以总结为以下几点。

上一篇我们已经从整体上理解了**样式迁移（Style Transfer）**的思想：内容图提供结构与布局样式图提供纹理与风格生成图通过不断优化得到优化目标同时考虑内容损失和风格损失这一节我们就正式进入代码实现。固定一个预训练特征提取网络，然后把生成图本身当作待优化参数。所以这一节真正要看懂的是：怎么提取内容特征怎么提取风格特征Gram 矩阵怎么计算总损失怎么写怎么一步步优化生成图包括：内容损失风格

前面我们一直在学习计算机视觉中的“识别型任务”，例如：图像分类目标检测语义分割让模型理解图像里有什么。但深度学习不仅能“看懂图像”，还能“生成图像风格效果”。样式迁移（Style Transfer）把一张图的内容，与另一张图的风格融合起来，生成一张新的图像。比如：保留一张照片中的人物、建筑、景物结构同时让它呈现梵高油画、素描、水彩等艺术风格这就是样式迁移的魅力所在。内容来自一张图，风格来自另一张图

上一篇我们已经进入了序列模型部分。我们知道，文本本质上也是一种序列，例如一句话：我正在学习深度学习对于人来说，文字天然可以理解。但对于神经网络来说，文字本身只是字符串，模型并不能直接处理。如何把原始文本处理成模型可以读懂的数字形式？这就是本节“文本预处理代码”的核心任务。这一节主要要解决：如何读取原始文本如何把文本拆成词元（token）如何建立词表（vocabulary）如何把词元转换成数字索引这

前面我们已经学习了：RNNRNN 从零开始实现RNN 简洁实现通过隐藏状态，把过去的信息传到当前时刻。这让它能够处理序列数据，比如：文本时间序列音频序列它很难有效处理长期依赖。也就是说，如果当前时刻需要依赖很久以前的信息，普通 RNN 往往学不好。这背后通常会伴随着：梯度消失梯度爆炸远距离信息难以保留GRU（Gated Recurrent Unit，门控循环单元）让模型学会“该记什么、该忘什么、该

这一节我们学习了 GRU 的代码实现，核心内容可以总结为以下几点。

循环神经网络这里“循环”两个字，不是说网络真的绕圈跑，而是说它在时间维度上有一种“状态递归传递”的结构。“隐藏状态（hidden state）”是 RNN 里最关键的概念之一。模型在当前时刻对“过去已经看到的信息”的内部摘要例如处理一句话时：第一个词来了，模型更新一次状态第二个词来了，再结合前一个状态继续更新第三个词来了，再往后传于是到了第 t 步时，隐藏状态H_t就像是：到目前为止，模型对前 t

这一节我们学习了 LSTM 的代码实现，核心内容可以总结为以下几点。

在同一个序列上，建立两条循环链：一条从前往后，一条从后往前。补上“未来上下文”这一侧信息。方向维这一节我们学习了双向循环神经网络，核心内容可以总结为以下几点。

这一节我们学习了 LSTM，核心内容可以总结为以下几点。