用途：帮助读者把深度学习经典论文落地为可运行的 PyTorch 代码。资料以带逐行注释的论文实现仓库（annotated_deep_learning_paper_implementations，约 65,800+ stars）为核心，按架构类别组织内容，并提供从论文到工作代码的策略，适合研究复现、实验实现与课程教学参考。
主要能力：一是按架构族梳理实现，包括 Transformer 系列（多头自注意力、Transformer 编码块，采用 Pre-norm 变体）与卷积网络（ResNet Bottleneck 块）；二是给出论文与实现对照表，覆盖 ResNet、Transformer、BERT、GPT-2、ViT、Diffusion、LLaMA 的年份、参数量与关键创新；三是训练实践模板，如标准训练循环、梯度裁剪、带 warmup 的余弦退火学习率调度（AdamW 与 LinearLR/CosineAnnealingLR/SequentialLR）；四是“从论文到代码”的方法论，如读两遍论文、定位核心算法、先列超参数配置、自底向上实现、逐组件验证张量形状与梯度、先在小数据上复现已知结果。
使用方式：资料给出可直接参考的 PyTorch 代码片段，如 MultiHeadAttention、TransformerBlock、BottleneckBlock 与 train_epoch 的实现示例，以及学习率调度配置；建议先用 assert 校验维度，再配合混合精度训练（torch.cuda.amp）与实验日志工具（Weights & Biases 或 TensorBoard）。
适用场景：实现 Transformer 变体、理解 GAN 等架构、教学演示、论文复现实验。
限制：资料未提供该技能的具体安装命令、收费与价格、平台支持范围、运行环境依赖及性能基准；上述代码为示例，未声明已在特定数据集上验证结果。相关引用包括 Attention Is All You Need、Deep Residual Learning、The Illustrated Transformer 与 Papers With Code。