下面几行代码将分词器处理后的 3 个核心张量（input_ids/attention_mask/token_type_ids）从默认的 CPU 设备，迁移到模型运行的目标设备（GPU/CPU），并返回这 3 个对齐设备的张量，供 BERT 模型直接使用。相比BertModel不需要手动分类头。# 文本预处理核心方法—— 作用是把原始文本（比如 “这家酒店太差了”）转换成 BERT 模型能识别的张量

transforms.ToTensor()# 转换为PyTorch张量，格式从(H,W,C)转为(C,H,W)，并归一化到[0,1]，把像素值归一化到 0-1，核心是为了让神经网络训练更稳定、收敛更快、效果更好。x = x.view(x.size()[0], -1)# 展平：(batch_size, 512*7*7) → (batch_size, 25088)semi_loss += semi_b