本模块将探索 PyTorch 中的专项视觉课程，从 CNN 的感受野如何增长开始，到可解释性工具（如显著性图和 Grad-CAM），揭示模型预测的驱动因素。然后，您将深入研究生成模型，使用 Hugging Face 的扩散器库和稳定扩散技术来创建图像，同时尝试塑造输出的参数。

本模块通过展示现代 NLP 模型是如何由线性层、嵌入和注意力等熟悉的 PyTorch 组件构建而成的，从而揭开变换器架构的神秘面纱。您将逐步探索纯编码器、纯解码器和编码器-解码器设计，了解注意力、位置编码和交叉注意力如何使这些模型在分类到翻译等任务中发挥如此强大的作用。

本模块是训练模型和在现实世界中部署模型之间的桥梁，包括如何使用 PyTorch 序列化和 MLflow 保存、跟踪和管理实验。然后，您将使用 ONNX 使模型具有可移植性，并使用剪枝和量化技术对模型进行优化，从而在不损失准确性的情况下缩小模型大小并提高速度。