weixin_50109501的博客

原创 文本分类半监督学习问题（十三）

2021SC@SDUSC

原创 文本分类半监督学习（十二）

2021SC@SDUSC​​​​​​​在最后，我们对于train.py文件进行分析，此文件的作用是为了对TMix模型和MixText模型进行训练。首先第一段代码与之前的类似，则不做过多赘述parser = argparse.ArgumentParser(description='PyTorch MixText')parser.add_argument('--epochs', default=50, type=int, metavar='N', help='n

原创 文本分类半监督学习问题（十一）

原创 文本分类半监督学习（十）

@

原创 文本分类半监督问题（九）

@SCSDU

原创 文本分类半监督学习问题（八）

2021SC@SDUSC

原创 文本分类半监督学习（七）

2021SC@SDUSC损失函数的计算#训练损失函数，用在训练时train_criterion = SemiLoss()#交叉熵损失, 用在验证集和测试集, 是模型训完完成后的，使用交叉熵进行计算损失criterion = nn.CrossEntropyLoss()#使用SemiLoss计算损失class SemiLoss(object):def __call__(self, outputs_x, targets_x, outputs_u, targets_u, outputs_

原创 半监督学习文本分类（六）

2021SC@SDUSC

原创 文本分类半监督学习问题（五）

2021SC@SDUSC

原创 半监督学习文本分类（四）

2021SC@SDUSC​​​​​​​

原创 文本分类半监督学习问题（三）

2021SC@SDUSC​​​​​​​

原创 文本分类半监督学习问题（二）

2021SC@SDUSC目录一、模型简介Transformer模型Bert模型MixText模型二、代码分析一、模型简介Transformer模型如图所示Transformer模型犹如一个黑盒，在其之前一直使用的RNN循环神经网络对数据进行训练，而在transformer诞生后，RNN模型已逐渐被代替，此模型的用途一方面可以用于对自然语言进行翻译，还有一方面可以对句子中一部分单词进行预测。此图所示，transformer模型分为两个部分，encoder与decoder

原创 文本分类半监督学习问题（一）

2021SC@SDUSC目录一、项目综述项目背景小组成员课程目标项目计划项目结果任务分配二、项目简介三、环境配置Anaconda的配置代码与数据集的下载机器学习框架的导入环境配置完毕2021SC@SDUSC一、项目综述项目背景本项目是山东大学软件学院2020-2021学年度“软件工程应用于实践”课程开放项目。小组成员网安（工学）：吴泽昊、软件工程：刘敬炜数据科学与大数据技术：张致晏、数据科学与大数据技术：熊静飞...