花解语

本以为 PyTorch 的文章要写两个月，结果发现 PyTorch 真的太轻了，写了不到一个月就写完了。本篇为完结篇，对一些零星的功能进行总结。

RNN（recurrent neural network）擅长处理序列内容，因此在 NLP 中应用较多。然而 RNN 的拓扑结构与 MLP、CNN 完全不同，因此学习起来会有很大的困扰。本文是介绍如何用锤子敲钉子的，而不是如何造锤子或者为什么要敲的。所以 RNN 的原理与使用场景在这里从略。然而了解 RNN 的工作原理对正确使用 RNN 大有裨益，所以在此附上参考资料 ，供读者参考。

本文尽量不涉及 CNN（卷积神经网络）的原理，仅讨论 CNN 的 PyTorch 实现。CNN 独有的层包括卷积层（convolution layer），池化层（pooling layer），转置卷积层（transposed convolution layer），反池化层（unpooling layer）。卷积层与池化层在 CNN 中最常用，而转置卷积层与反池化层通常用于计算机视觉应用里的图像再生，对于 NLP 来说应用不多，不再赘述。