在掌握了前一章Flux.jl的核心组成部分后，我们将着重介绍这些元素在构建多种神经网络 (neural network)架构中的具体运用。本章将指导您从零开始搭建几种常用的神经网络类型。

您将学到：

• 使用Julia工具准备和预处理专门用于深度学习 (deep learning)模型的数据，包括利用MLUtils.jl高效处理数据，以进行批处理和迭代。
• 构建多层感知机（MLPs），它们是全连接网络的基本形式。
• 实现卷积神经网络 (CNN)（CNNs），它们对于图像处理等涉及网格状数据的任务必不可少。
• 开发循环神经网络 (RNN)（RNNs），包括长短期记忆（LSTM）单元，它们适用于文本或时间序列等序列数据。
• 运用嵌入 (embedding)层在网络中高效表示类别或文本数据。
• 通过创建自定义神经网络层来扩展Flux.jl的功能，以支持特定操作。
• 使用序列化技术（例如使用BSON.jl）保存您训练好的模型，并加载它们以供后续推断或继续训练。

本章最后是一个实践练习，您将在此应用这些技术来构建和配置一个CNN以解决图像分类问题，从而巩固您对这些架构组成部分如何组合在一起的理解。