训练模型（检查GPU、numpy转换等）

1. 检查GPU是否可用：gpu = torch.cuda.is_available()
2. cuDNN使用非确定性算法，并且可以使用torch.backends.cudnn.enabled = False来进行禁用，设置为使用使用非确定性算法：torch.backends.cudnn.enabled
3. 将numpy的数组复制给torch的方式：self.word_embeddings.weight.data.copy_(torch.from_numpy(data.pretrain_word_embedding))
4. prob.cpu().data.numpy()将tensor转换为numpy类型。

重点理解：

1. 定义一个数据类，封装所有预处理的数据，最后将数据类存储为一个pkl的二进制文件，以便下一次直接读取不在需要重新预处理。
2. RNN是顺序一次输入一个词向量。
3. model.train() model.eval()训练完train_datasets之后，model要来测试样本了。在model(test_datasets)之前，需要加上model.eval(). 否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有batch normalization层所带来的的性质。在做one classification的时候，训练集和测试集的样本分布是不一样的，尤其需要注意这一点。