1.

Những đặc điểm chính của PyTorch so với TensorFlow:

 Tính linh hoạt và dễ sử dụng: PyTorch sử dụng mô hình tính

toán động (dynamic computational graph), cho phép người dùng
xây dựng và điều chỉnh các mô hình một cách linh hoạt hơn.
TensorFlow sử dụng mô hình tính toán tĩnh (static
computational graph) yêu cầu việc xác định toàn bộ biểu đồ tính
toán trước khi thực thi.
 Quá trình debug dễ dàng: PyTorch cho phép người dùng in và
gỡ lỗi trực tiếp các giá trị trong mô hình, giúp tìm ra lỗi và hiểu
rõ hơn về quá trình tính toán. TensorFlow yêu cầu viết code
trong một phiên bản tĩnh và sử dụng debug trong quá trình chạy.
 Hỗ trợ tốt cho mô hình nghiên cứu: PyTorch được phát triển với
trọng tâm là hỗ trợ các nhà nghiên cứu trong việc thử nghiệm và
phát triển các ý tưởng mới. Vì vậy, việc xây dựng các mô hình
phức tạp và thay đổi mô hình dễ dàng hơn so với TensorFlow.
2. Đặc điểm chính trong lập trình với PyTorch:

 Tích hợp tốt với Python: PyTorch được xây dựng trên Python và
tương tác tốt với các thư viện Python khác, giúp việc xử lý dữ
liệu và tạo mô hình trở nên thuận tiện.
 Tự động tính gradient: PyTorch cung cấp chức năng tự động
tính gradient thông qua gói torch.autograd, giúp dễ dàng tính
toán đạo hàm và sử dụng các thuật toán tối ưu hóa gradient
descent.
 Hỗ trợ GPU: PyTorch hỗ trợ tính toán trên GPU một cách dễ
dàng, giúp tăng tốc độ huấn luyện mô hình.
3. Các lớp quan trọng trong việc xây dựng mô hình Neural
Network:
 torch.nn.Module: Đây là lớp cơ bản trong PyTorch để xây dựng
mô hình. Mô hình Neural Network được xây dựng bằng cách kế
thừa từ lớp này và triển khai các phương thức như __init__
(khởi tạo mô hình) và forward (xác định quá trình tính toán
thuận).
 torch.nn.Linear: Lớp tuyến tính (linear layer) thực hiện phép
biến đổi tuyến tính trên dữ liệu đầu vào.
 torch.nn.Conv2d và torch.nn.ConvTranspose2d: Các lớp tích
chập và tích chập chuyển vị để xây dựng mạng CNN.
 torch.nn.RNN và torch.nn.LSTM: Các lớp mạng RNN và LSTM
để xây dựng mạng RNN.
 torch.nn.Dropout: Lớp dropout để tránh overfitting bằng cách
loại bỏ ngẫu nhiên một số đơn vị trong quá trình huấn luyện.
 torch.optim: Gói này cung cấp các thuật toán tối ưu hóa gradient
descent như SGD, Adam, RMSprop, để điều chỉnh các tham số
trong mô hình.