用途：该技能面向深度学习建模，覆盖神经网络、CNN、RNN 与 Transformer，可应用于图像分类、自然语言处理、序列建模与复杂模式识别。
主要能力：资料给出 PyTorch 全连接网络、CNN 图像分类、迁移学习（加载预训练 ResNet50 并替换分类层）、LSTM 序列模型，以及基于 Hugging Face Transformers 的 BERT 文本分类训练示例。同时列出正则化（Dropout、BatchNorm、权重衰减、早停）、优化（学习率调度、梯度裁剪）与数据增强的实践建议，并归纳过拟合、欠拟合、梯度消失等常见问题及对应思路。
使用方式：资料以 PyTorch 与 Transformers 代码示例为主，涉及定义模型、初始化损失与优化器、编写训练循环，以及用 Trainer 与 TrainingArguments 训练模型。具体调用命令与安装命令暂未提供。
适用场景：计算机视觉、NLP、序列数据建模，以及存在复杂非线性模式的数据任务。
限制：资料未说明支持的运行环境、依赖版本、平台与收费方式；示例代码需自行验证，数据与算力要求暂未提供。