利用RNN进行分类。pytorch nlp:从零开始的NLP：使用字符级RNN对名称进行分类

写这个不易，如果有帮助，请点个赞，让更多人看到。
转载请注明出处！！！
这篇文章，来自于以下链接， 该文章在实现过程中，由浅入深，但是代码并未给太多注释。当时作为一个新手的我，也是看的磕磕绊绊，边阅读边注释，而且注释的很随意。现在闲有余空，把之前的注释都放出来（作为一个初学者，可能有不少注释错误，仅当做参考哈）。
该原文章来自pytorch， 链接（点击此处）：
https://pytorch.org/tutorials/intermediate/char_rnn_classification_tutorial.html
pytorch nlp全部教程例子链接（点击此处）：
https://pytorch.org/tutorials/beginner/deep_learning_nlp_tutorial.html
注意：需要安装pytorch和Python，一起其他一些包（直接可用pip安装）。
一、简要叙述一下利用神经网络来训练的几个步骤：

1. 准备数据。
   在利用神经网络训练过程中，往往需要大量的数据。在有监督训练的情况下，数据往往包含两部分，输入数据集（即X，也就是预测Y的输入数据X），输出数据集（即Y，也就是利用输入域的X得到的结果Y）。比如一组为：某个单词（即输入数据X）； 类别，即该单词属于哪个国家语言（输出数据Y）。注意：输入X和输出Y一 一对应， 数据集是包含多组这种数据的集合。（从数学角度来打个简单相似的比方， 未训练的模型是 Y = aX + b, 输入为X，输入为Y， 我们根据很多X、Y数据映射，就能求出a和b。）

2. 处理数据。
   对于模型而言，输入、输出数据，无论是中文还是英文，都需要将其转换为用0、1表示的值，这样就能进行训练。
   到目前为止，将数据转换为0、1代表的值， 我遇到两种情况（取一组输入、输出数据为例）：
   （1）非分类问题：比如利用one-hot方式（随便搜索了一篇onehot博客，直接看后面那部分应用，简单明了，链接）。此情况往往原始数据输入和输出都处理为一维。怎么转换成由0、1表示呢？ 例如： dog， 转换成模型的输入为 [0,0,0,1,0,0,1,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0] 。在这个例子中，我们将dog拆分为d , o , g三个字母，然后我们总词为26个字母,构成一个list， 所以dog拆分后的字母在总字母的位置，改为1，其他字母未出现，依然为0。
   （2）分类问题： 此情况将每组原始数据处理为多维的（此文后面分类问题就是处理为多维）。比如人名jack， 处理为多维就是 ：
   [[0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
   [1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
   [0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
   [0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0] ]
   此时，每个字母都是相对于总字母库生成一个表示，4行1列。
   综上： 无论哪种情况， 将原始数据处理为0,1表示，都需要构建一个总的词库（上面是26个字母构成）。然后将输入和输出，利用在总的词库中的位置， 产生这种表示。（注意：实际上应该是构建两个总的词库， 即一个对应于输入来构建， 一个对应于输出来构建， 这样输入和输出， 都可以用0,1表示） 比如我们在处理中文文本，往往将文本进行分词（比如jieba分词）， 然后将所有组输入数据（或者输出数据）的分词结果，去除重复的， 然后构建输入总词库（或者输出总词库）。然后每组数据在传入模型之前，进行分词，然后和总词库进行对比，转换成0、1表示。（注意：输入数据、输出数据都是分开单独处理的。）
   注意：pytorch中，转换的是为张量tensor，其中为0、1表示。其实只是看起来形式不一样。
   例如：

   tensor([[[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
     0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0.,
     0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
     0., 0., 0., 0., 0., 0.]],
   
   [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0.,
     0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
     0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
     0., 0., 0., 0., 0., 0.]],
   
   [[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
     0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
     0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0