Pytorch基础知识，包括张量的使用，和自动微分。

• 训练推理相关基本概念

• 构建复杂模型：学习如何构建更复杂的神经网络模型，如卷积神经网络（CNN）、循环神经网络（RNN）等。
• 损失函数与优化器：理解不同的损失函数（如交叉熵、均方误差）和优化器（如SGD、Adam）。
• 训练与验证：编写训练循环，理解如何监控训练过程，防止过拟合。

• 保存与加载模型：学习如何保存训练好的模型，并在需要时加载模型进行推理或继续训练。
• 迁移学习：学习如何使用预训练模型进行迁移学习，微调模型以适应新的任务。
• 常用预训练模型：介绍PyTorch中常用的预训练模型，如ResNet、VGG等。

• 内存使用监控与优化
• 多GPU使用
• 分布式训练：了解如何使用PyTorch进行多GPU训练或分布式训练。
• 并行策略实现

• Loss，网络结构等可视化。