在本节中，我们重点介绍了如何从模型训练代码中抽象出冗余的实现细节，以及如何构建快速模型原型开发的核心组件。鉴于 PyTorch 代码常常包含大量此类冗余细节，我们研究了基于 PyTorch 构建的高级库PyTorch Lightning，该库能用少量代码实现模型训练，并使代码具备硬件无关性。此外，我们还实践了如何使用 PyTorch Lightning 训练和评估手写数字分类模型。

在本节中，我们对 fastai 进行了简要介绍并将其用于训练 MNIST 手写数字识别模型。fastai 为机器学习工程师和研究人员提供了丰富功能，本节旨在展示 fastai 的高效性和易用性，所学内容可迁移至其他 fastai 机器学习任务。本质上 fastai 基于 PyTorch 功能构建，因此这两个框架可以随时切换使用。

Transformer 的不仅推动了 NLP 的快速发展，也成为了许多先进模型的基础。以GPT、BERT、T5 等为代表的大语言模型，均基于 Transformer 架构。此外，Transformer 还被成功应用于计算机视觉领域、推荐系统等领域，为深度学习带来了前所未有的效率与表现。随着研究的深入，Transformer 架构正在不断优化和拓展，不仅提升了模型的性能，也让人工智能技术更贴近实际应

在本节中，我们将深入探讨使用 TorchScript 导出 PyTorch 模型。通过序列化，TorchScript 使模型与 Python 生态系统独立，从而使得模型可以在其他环境中加载，例如基于 C++ 的环境。我们还跨越 Torch 框架与 Python 生态的边界，研究机器学习通用开放格式 ONNX，该技术能帮助我们将 PyTorch 训练的模型导出至非 PyTorch 甚至非 Pytho

我们已经学习了如何实现深度Q网络 (Deep Q-Network, DQN) 模型，证明了非线性近似器完全可用于强化学习，这一概念验证极大地推动了深度Q学习乃至整个深度强化学习领域的研究热潮。在本节中，我们将重点探讨如何定义强化学习高级组件，使用更高级的模块构建代码，并聚焦于所实现方法的核心细节，避免反复实现相同的逻辑，避免重复造轮子的低效劳动。

在 PyTorch 深度学习模型部署一节，我们学习了如何使用 Flask 库创建可远程部署、通过网络提供预测服务的模型服务器。在本节中，我们将继续讨论使用 TorchServe 将一个已经训练并测试过的 PyTorch 深度学习模型对象部署到一个独立的环境中，使其能够对新输入数据进行预测或推理。这也称为模型的生产化，即将模型部署到生产系统中。

在 PyTorch 深度学习模型部署一节，我们学习了如何使用 Flask 库创建可远程部署、通过网络提供预测服务的模型服务器。在本节中，我们将继续讨论使用 TorchServe 将一个已经训练并测试过的 PyTorch 深度学习模型对象部署到一个独立的环境中，使其能够对新输入数据进行预测或推理。这也称为模型的生产化，即将模型部署到生产系统中。

在本节中，我们探讨了如何将训练好的 PyTorch 深度学习模型部署到生产环境中，成功构建了一个独立运行的模型服务器，能够对手写数字图像进行预测。这套方法可以轻松扩展至其他机器学习模型，这为使用 PyTorch 和 Flask 开发机器学习应用开辟了无限可能。

在本节中，我们探讨了如何将训练好的 PyTorch 深度学习模型部署到生产环境中，成功构建了一个独立运行的模型服务器，能够对手写数字图像进行预测。这套方法可以轻松扩展至其他机器学习模型，这为使用 PyTorch 和 Flask 开发机器学习应用开辟了无限可能。

在本节中，我们将学习如何借助 torch.amp.autocast 和 torch.amp.GradScaler 等 API 实现混合精度训练，在加快深度学习模型训练速度的同时降低内存占用，使用 PyTorch 的自动混合精度 (Automatic Mixed Precision, AMP) 工具，加速训练并减少内存消耗。