RNN专门用于处理序列数据的神经网络模型，它广泛应用于自然语言处理、语音识别、时间序列预测等领域,通过循环来处理序列，但在处理长序列时可能存在梯度消失或爆炸的问题,它的改良版本：：通过引入遗忘门、输入门和输出门，解决了长序列中的梯度消失问题。：结构更简单，计算效率更高，同时保持了对长序列依赖的建模能力。：结合前向和后向信息流，增强了对序列全局信息的理解。

本章用libtorch来构建一个简单的卷积神经网络，一个用10X10矩阵数据来代表一个数字[0~9]数字识别例子,相对用mnist数据集来做要简单很多，如数字8测试数据矩阵向右偏移一位 如测试数字8 ，0表示黑色，1表示白色，简单看成10X10像素图片识别。

举例子来说明，假设有输入序列数据 [1, 2, 3, 4, 5] 和 一组权重数据 [1, 0, 1],做以下运算输出结果：[4, 6, 8]像这样的计算叫[1, 0, 1]叫,长度==3用 libtorch实现卷积运算代码如果想要输出结果与输入数据长度一样，在原始数据左右两边填充0 如下[0,1, 2, 3, 4, 5,0] 与 [1, 0, 1]做以下运算输出结果：[2, 4, 6, 8, 4]把这个叫一般是填充0用 libtorch实现卷积运算代码。

要实现自定义求导通过继承torch::autograd::Function，定义前向传播（forward）和反向传播（backward）逻辑代码，假设我们要实现一个自定义函数，它的导数1. 前向传播（forward）：实现的计算，用上下文torch::autograd::AutogradContext保存x值 给反向传播求导时使用2. 反向传播（backward）:实现导数计算从 前向传播 取当时x值，这个好理解。

详情见官网描述：，这里简单总结一下：1. torch 可以认为有两个前端版本，一个是Python前端，而另一个是c++(libtorch)前端2. libtorch前端适用于低延迟、高性能或 多线程环境的场景比如视频游戏或生产服务器场景3. libtorch文档、教程、示例相对比较少，官网更推荐使用Python前端4. 人个觉得两者有很多共通的知识点差别不大，从libtorch入门也是一个不错的选择。

其实第一章用代码实现了一神经网络的核心功能，本章补充一些概念，总结一下训练神经网络模型过程是1.前向计算传播1.1加权求和2.2激活函数2.3向下一层传送，直到输出层2. 计算损失函数3. 反向传播,设置学习率策略，梯度下降目前我们用代码实现一个简单样例，如果网络层数增多、更换算法，再比如需要硬件加速计算(GPU)等等，从0开始实现是一件低效率的事,因此要寻找到好用的开源库。

神经网络是一种模拟人脑神经元连接的计算模型，通过多层神经元的非线性变换和数据驱动的权重调整，实现对复杂模式的学习。它是复杂模型（机器学习,深度学习）的核心基础。一个或多个神经元相互连接组成一个形成复杂的网络叫神经网络。神经元也可以叫节点。神经元有两个重要工作一个加权求和（线性回归另一个激活函数(非线性变换)。