Pooling作为最简单的层其实也可以作为句子分类任务。Pooling有很多种，max_Pooling,avg_Pooling,min_Pooling等。常用的还是max_Pooling:取同维度的最大值。
先看看
流程图
：

这里的Linear Layer后面应该经过一个Softmax的，可是由于交叉熵cross_entropy里隐含有Softmax，这里我就没有画了。

第一步搭建网络


这里除了划线的和类的名字外，其他都是pytorch固定模板。__init__就是搭建网络的函数，forward是数据怎么在你刚搭建的网络中流动的写出来就行，注意数据矩阵的维数，要前后对上。该维度可以用view()，t(),transport()按照想法进行改变。我在这个维度上浪费了很长时间，就是对不上。慢慢理解了，就会了。
这里的Embeding层就是把现实客观特征转成电脑识别的特征，也就是特征向量化。

第二步读入数据并将数据数字化

数据是这个样子：

前面文本后面类别

读取文本的类

清洗英文文本的函数，这个写过一次后，下次清洗文本直接复制直接用。
文本读取完后，建立词典，为只有数字序列化做准备。函数如下：

字典为：

然后通过函数调用就能生成数字序列：

第三步开始训练


因为用SGD很多时候不能够收敛。。。特别悲催。所以推荐用Adam优化。


这是计算精确度的函数，在一遍跑好的模型上走一遍Dev数据，得出开发集准确率。torch和numpy交换就用  .numpy()。

最后得出结果：

这个贼耗时间



精确度慢慢增长。。。
在此，非常感谢刘宗林师兄的技术支持。
点击阅读原文，获得源代码

继续阅读
阅读原文