在本节中，我们使用 PyTorch 从零开始构建了一个推荐系统。首先探讨了如何利用深度学习驱动推荐系统，随后对 MovieLens 数据集进行探索性分析。通过 PyTorch 定义了 EmbeddingNet 模型架构，并在 MovieLens 数据集上完成训练与评估。最终基于训练好的模型实现了电影推荐系统。

提示模型 (Prompt-based models) 在人工智能的许多领域中备受关注。这类模型能够以某种模式作为指导，并通过理解该模式生成相应的输出。提示可以是多种形式或数据格式，包括文本提示和视觉提示。文本提示是一段自由文本，用于指示模型应执行的任务或输出的内容；而视觉提示则是一种视觉引导，帮助模型理解任务或指令本身。

Transformer 在自然语言处理 (NLP) 领域取得了显著成就，在许多不同的任务中都表现出色。在本节中，我们将探索视觉 Transformer (Vision Transformer, ViT) 模型。正如 NLP 领域创建了多种模型一样，视觉领域也开发了多种模型，每种模型都为计算机视觉提供了新的视角。通过本节，将学习如何使用 ViT 等模型进行计算机视觉任务，了解基于 Transform

本节介绍了使用 Captum 工具包解析 PyTorch 深度学习模型的方法。通过显著图、集成梯度和 DeepLIFT 三种可解释性技术，分析了手写数字分类模型的决策逻辑。这些方法通过计算输入特征对模型输出的梯度贡献，可视化关键像素区域，揭示了模型聚焦于数字笔画特征进行预测的机制。Captum 提供了统一 API 实现多种解释算法，仅需少量代码即可获得直观的可视化结果，帮助开发者理解模型内部运作方

在本节中，我们探讨了如何用 PyTorch 解释深度学习模型的决策机制。具体而言，我们重点分析了卷积神经网络模型卷积层的细节，以理解模型从手写数字图像中学到的视觉特征。我们将观察卷积滤波器/核 (convolutional filters/kernels) 及其生成的特征图 (feature maps)。这些细节有助于我们理解模型如何处理输入图像并做出预测。

自动机器学习 (AutoML) 能够为给定神经网络自动寻找最优架构与最佳超参数配置。在本节中，我们介绍了一个 AutoML 工具 Optuna，它专为 PyTorch 模型提供超参数搜索功能。通过本节的学习，可以运用 Optuna 为任何 PyTorch 编写的神经网络模型寻找最优超参数。当面对超大规模模型和/或需要调整的超参数数量极多时，Optuna 还支持分布式搜索。

自动机器学习 (AutoML) 能够为给定神经网络自动寻找最优架构与最佳超参数配置。在本节中，我们介绍了一个 AutoML 工具 Optuna，它专为 PyTorch 模型提供超参数搜索功能。通过本节的学习，可以运用 Optuna 为任何 PyTorch 编写的神经网络模型寻找最优超参数。当面对超大规模模型和/或需要调整的超参数数量极多时，Optuna 还支持分布式搜索。

自动机器学习 (AutoML) 能够为给定神经网络自动寻找最优架构与最佳超参数配置。在本节中，我们将全面地研究 PyTorch 的 AutoML 工具——Auto-PyTorch，该工具能同时执行神经架构搜索和超参数搜索。通过本节学习，即使缺乏领域经验也能设计机器学习模型，同时大幅加速模型选择流程。

本节介绍了使用 PyTorch Profiler 工具分析 MNIST 手写数字识别模型在 CPU 与 GPU 上的推理性能。通过记录操作执行时间与内存消耗，可识别计算瓶颈和内存问题。通过本节学习，能够掌握在模型推理过程中进行性能分析的方法，从而能更准确地评估模型在 CPU 和 GPU 上的运行表现。

在本节中，我们介绍了模型训练追踪工具。我们学习了如何追踪模型训练过程，获得更高质量的模型并进行错误分析。我们使用了两种工具来监控训练过程：TensorBoard 和 W&B，这些工具能够有效地追踪并优化模型训练。