笔者在学习《动手学深度学习-pytorch》一书的时候，发现很多定义的函数后面都会加#@save符号，如下：
def use_svg_display(): #@save """使⽤svg格式在Jupyter中显⽰绘图""" backend_inline.set_matplotlib_formats('svg')
书中的解释为：“有时，为了避免不必要的重复，我们将本书中经常导⼊和引⽤的函数、类等封装在d2l包中。对于要保存到包中的任何代码块，⽐如⼀个函数、⼀个类或者多个导⼊，我们都会标记为#@save。”于是笔者试着先from d2l import torch as d2l，然后在pycharm控制台键入d2l.use，发现可以补全为d2l.use_svg_display()，这说明use_svg_display()函数是封装在d2l库中的。
另外在序言中有这么一句话，“有时，我们想深⼊研究模型的细节，这些的细节通常会被深度学习框架的⾼级抽象隐藏起来。特别是在基础教程中，我们希望你了解在给定层或优化器中发⽣的⼀切。在这些情况下，我们通常会提供两个版本的⽰例：⼀个是我们从零开始实现⼀切，仅依赖于NumPy接⼝和⾃动微分；另⼀个是更实际的⽰例，我们使⽤深度学习框架的⾼级API编写简洁的代码。”因此笔者认为这里#@save的意思应该是指：虽然书中对这些定义的函数展开讲解，但这些函数都是可以直接调用，封装在d2l库中的，此外也和没有封装的，临时定义的函数做出区分，如下：
def evaluate_loss(net, data_iter, loss): #@save"""评估给定数据集上模型的损失"""metric = d2l.Accumulator(2) # 损失的总和,样本数量for X, y in data_iter:out = net(X)y = y.reshape(out.shape)l = loss(out, y)metric.add(l.sum(), l.numel())return metric[0] / metric[1]def train(train_features, test_features, train_labels, test_labels, num_epochs=400): loss = nn.MSELoss(reduction='none') input_shape = train_features.shape[-1] # 不设置偏置，因为我们已经在多项式中实现了它 net = nn.Sequential(nn.Linear(input_shape, 1, bias=False)) batch_size = min(10, train_labels.shape[0]) train_iter = d2l.load_array((train_features, train_labels.reshape(-1,1)), batch_size) test_iter = d2l.load_array((test_features, test_labels.reshape(-1,1)), batch_size, is_train=False) trainer = torch.optim.SGD(net.parameters(), lr=0.01) animator = d2l.Animator(xlabel='epoch', ylabel='loss', yscale='log', xlim=[1, num_epochs], ylim=[1e-3, 1e2], legend=['train', 'test']) for epoch in range(num_epochs): d2l.train_epoch_ch3(net, train_iter, loss, trainer) if epoch == 0 or (epoch + 1) % 20 == 0: animator.add(epoch + 1, (evaluate_loss(net, train_iter, loss), evaluate_loss(net, test_iter, loss))) print('weight:', net[0].weight.data.numpy())
这是书中第四章的一部分代码，可以看到，evaluate_loss()后面有#@save，而train()后面没有，也就是说，evaluate_loss()是d2l的内置函数，而train()是为了教学临时定义的。
以上是笔者的个人见解，有不对之处还请大家指出。