数据改变世界

目录一、一、项目介绍该项目是来自于Pytorch官方教程—《TEXT CLASSIFICATION WITH THE TORCHTEXT LIBRARY》。在该教程中，展示了如何基于torch和torchtext构建一个基于文本的新闻分类RNN神经网络模型。通过该教程，你将学习到：文本数据集加载和处理 构建RNN的神经网络模型 训练和评估RNN神经网络模型 使用新闻测试数据集对新闻自动分类二、基于RNN的新闻分类整个项目过程分为8大步骤： Step1加载数据集 .

目录Pytorch的数据集DataSetDataLoader创建自定义数据集参考文档Pytorch的数据集Pytorch深度学习库以一种可读性强、模块化程度高的方式来构建深度学习网络。在构建深度学习网络时，数据的加载和预处理是一项重要而繁琐的工作。如果在构建网络中， 我们需要为加载样本数据、样本数据预处理编写大量的处理代码，会导致代码变得混乱、网络构建过程不清晰，最终难以维护。基于以上考虑，Pytorch将数据集和数据集的加载定义为两个单独对象，使数据集代码和模型训练代码

PIL(Python Image Library)PIL(Python Image Library)是PythonWare公司提供的免费图像处理工具包。由于其强大的功能，已经是Python平台事实上的图像处理标准库了。PIL功能非常强大，提供许多关于图像处理功能，如：改变图像大小，旋转图像，图像格式转换，色场空间转换，图像增强，直方图处理，插值和滤波等等。由于PIL仅支持到Python 2.7，于是社区在PIL的基础上创建了兼容的版本，名字叫Pillow，支持最新Python 3.x。 Pill

什么是池化层池化层的来源池化层是深度学习中常用组件之一，在当前大部分的神经网络结构中都会使用池化层。 池化层最早来源于LeNet一文，当时被称为SumSample。在AlexNet之后采用Pooling命名， 后续沿用了该命名。池化层的作用池化层模拟的人的视觉系统对数据进行降维，使用数据更高层次的特征维度进行学习。通过对特征实施池化，可达到如下效果：(1) 降低信息冗余。通过相关的池化操作，例如最大值池化，可用将局部无用的信息出去。(2) 提升模型的尺寸不变性、旋转不变性： 对某

1. 卷积层一般完整的CNN整个卷积神经网络，使用的层包括：1.卷积层（Convolutional layer）2.池层(Pooling layer)3.全连接层(fully connected layer)典型的cnn网络结构是由上述三类层构成：在CNN中，卷积层（CONV）使用过滤器执行卷积操作。因为它扫描输入图像的尺寸。它的超参数包括滤波器大小，可以是2x2、3x3、4x4、5x5（或其它）和步长S。结果输出O称为特征映射或激活映射，具有使用输入层计算的所有特征和..