在学习Bert之前我们先了解“递归神经网络（RNN和 “长短期记忆（LSTM)”我们如果仅仅识别每个字的含义，那么在一句话中没有相同的字还是可以的但是如果一句话中有相同的字，那么我们进不能识别每个字的含义，因为有可能相同的字，位置不一样，词性也不一样，那么含义就会不一样。因此就引出了 递归神经网络（RNN和长短期记忆（LSTM。

AdaptiveAvgPool（7）就是无论刚开始输入特征图有多大，最后只能变为7*7的特征图。最常用的就是最大池化，可以认为最大池化不需要引入计算，而平均池化需要引出计算（计算平均数）Pooling(2)就是每2*2个格子pooling成一个格子，相当于减半。每种池化还分为Pooling和AdaptiveAvgPool。最后，进行拉直，还是进行Linear操作。池化分为最大池化和平均池化。

预训练模型的最后一层通常是分类层，其输出类别数与训练数据集的类别数相匹配（如1000类）。对于新任务，类别数可能不同（如11类），因此我们需要替换或调整最后几层，以适应新任务的类别数。

AdaptiveAvgPool（7）就是无论刚开始输入特征图有多大，最后只能变为7*7的特征图。最常用的就是最大池化，可以认为最大池化不需要引入计算，而平均池化需要引出计算（计算平均数）Pooling(2)就是每2*2个格子pooling成一个格子，相当于减半。每种池化还分为Pooling和AdaptiveAvgPool。最后，进行拉直，还是进行Linear操作。池化分为最大池化和平均池化。

4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本

自定义的数据集类，用于从指定路径读取图片及其标签（或无标签），并应用相应的变换。它支持三种模式：训练（train）、验证（val）和半监督学习（semi）。该类实现了。