LSTM 通过精妙的门控机制解决了 RNN 的长期依赖问题，成为处理文本等时序数据的强大工具。本文从原理出发，结合手动实现和 PyTorch 内置 API 的代码，展示了 LSTM 的工作流程。实际应用中，可根据需求调整隐藏层维度、序列长度等参数，进一步提升模型性能。

GRU（Gated Recurrent Unit，门控循环单元）是循环神经网络（RNN）的重要变体，专为解决传统 RNN 的 “长序列依赖” 问题而设计。这段代码是使用深度学习框架（基于 d2l 库）实现和训练一个循环神经网络（RNN），具体来说是 GRU（门控循环单元）模型，用于自然语言处理任务（如文本生成）。这段代码实现了 GRU（Gated Recurrent Unit，门控循环单元）的核心