只要涉及序列数据的任务，您就需要判断哪种循环结构最合适。我们来检验一下您对这些结构适用场景的理解吧。
下面这张包含四种循环结构的图会很有帮助！
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
学习以稳健方式训练神经网络。在本章中，您将使用面向对象编程定义 PyTorch 数据集与模型，并复习训练与评估神经网络的要点。您还将熟悉不同的优化器，最后掌握多种用于缓解神经网络训练中常见不稳定梯度问题的技术。
训练神经网络以解决图像分类任务。在本章中，您将学习如何在 PyTorch 中处理图像数据，并深入理解卷积神经网络（CNN）。您将实操训练与评估图像分类器，并学习如何通过数据增强提升模型性能。
构建并训练循环神经网络（RNN）以处理序列数据，如时间序列、文本或音频。您将学习两种最常用的循环架构——长短期记忆（LSTM）与门控循环单元（GRU），以及如何为模型训练准备序列数据。您将通过训练与评估一个用于预测用电量的循环模型来巩固所学。
当前练习
构建多输入与多输出模型，展示它们如何处理需要多个输入或生成多个输出的任务。您将学习如何使用 PyTorch 设计并训练这类模型，并深入探讨多输出模型中的损失加权这一关键主题。这包括理解在让模型同时执行多项任务时，如何平衡不同任务的重要性。
