a23_23的博客

考虑到原始的 ResNet 具有较大的复杂性，在本次实验中，实际迁移的是一个具有 18 层的精简版的 ResNet。因为该实验选用的是蚂蚁和蜜蜂的图像数据，本身就很难识别，简单的卷积神经网络应付不了这种复杂的情况。同时，将 ResNet18 中最后的全连接层（fc）替换，构建一个包含 512 个隐含节点的全连接层，后接两个结点的输出层，用于最后的分类输出。使用 datasets 的 ImageFolder 方法就可以实现自动加载数据，因为数据集中的数据可能分别在不同的文件夹中，要让所有的数据一起加载。

编写的函数，以句子为单位，将所有的积极情感的评论文本，全部转化为句子向量，并保存到数据集 dataset 中。过程：模型训练好后，利用校验集数据检测模型表现，如果误差和训练数据差不多，则说明模型泛化能力很强，否则就是模型出现了过拟合的现象。productId 为商品的 id，score 为评分，page 为对应的评论翻页的页码，pageSize 为总页数。另外，在每个隐含层神经元中，LSTM 多了一个 cell 的状态，起到了记忆的作用。将模型在整个测试集上运行，记录预测结果，并计算总的正确率。

其中，特征变量集合包括：年份（yr），是否节假日（ holiday），温度（temp），湿度（hum），风速（windspeed），季节1～4（season），天气1～4（weathersit，不同天气种类），月份1～12（mnth），小时0～23（hr），星期0～6（weekday），它们是输入给神经网络的变量；考虑现实12.25是圣诞节，并且之后1.1是元旦节，人们的出行习惯会有很大不同，又因为训练样本只有两年长度，圣诞节前后的样本只有1次，所以没有办法对这个特殊假期的模式进行更准确的预测。

PyTorch基础知识的学习笔记