Task08：文本分类；数据增强；模型微调

文本分类是自然语言处理的一个常见任务，它把一段不定长的文本序列变换为文本的类别。也就是 编码器-解码器的运用。

数据增强

通过前面的学习，我们知道有时候数据比算法更重要，也就是当我们拥有足够多的训练集的时候，即使我们的模型构建的不够好，也能够得出较好的预测效果。针对于图像识别模型，我们可以通过图像增⼴（image augmentation）技术来实现数据增强。
而图像增⼴（image augmentation）则是通过对训练图像做⼀系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现在不同位置，从而减轻模型对物体出现位置的依赖性。我们也可以调整亮度、色彩等因素来降低模型对色彩的敏感度。

常用的图像增广的方法有：1.翻转和裁剪
2.变化颜色、亮度
3.图像放大缩小

图像增广基于现有训练数据生成随机图像从而应对过拟合。
为了在预测时得到确定的结果，通常只将图像增广应用在训练样本上，而不在预测时使用

模型微调

微调由以下四步组成：

1. 在源数据集（如ImageNet数据集）上预训练⼀个神经网络模型，即源模型。（或者可以从网上下载别人已构建好的数据模型）
2. 创建⼀个新的神经网络模型，即目标模型。它复制了源模型上除了输出层外的所有模型设计及其参数。我们假设这些模型参数包含了源数据集上学习到的知识，且这些知识同样适用于目标数据集。我们还假设源模型的输出层跟源数据集的标签紧密相关，因此在目标模型中不予采⽤。
3. 为目标模型添加⼀个输出大小为目标数据集类别个数的输出层