本次学习对中文文本实现了分类，主要代码和N1周基本一致。

本次打卡学习了word2vec模型的调用和使用，了解到了其在文本任务中的作用和便利性。

本次将加入Word2vec使用PyTorch实现中文文本分类，Word2Vec则是其中的一种词嵌入方去，是一种用于生成词向量的浅层神经网络模型，由Tomas Mikolov及其团队于2013年提出。Word2Vec通过学习大量文本数据，将每个单词表示为一个连续的向量，这些向量可以捕捉单词之间的语义和句法关系。

本次通过使用seq2seq架构实现了英译法的问题，回顾了文本数据预处理和向量化的过程，在训练过程中引入了teacher-forcing能够帮助模型快速收敛，而不用teacher-forcing更接近真实应用中的生成场景，但训练会困难。

创建一个大小为 [max_len, embed_dim] 的零张量# 创建一个形状为 [max_len, 1] 的位置索引张量pe[:, 0::2] = torch.sin(position * div_term) # 计算 PE(pos, 2i)pe[:, 1::2] = torch.cos(position * div_term) # 计算 PE(pos, 2i+1)# 将位置编码张量注册为模

【代码】深度学习打卡第R2周：文本分类RNN-心脏病预测。

训练循环train_loss = 0 # 初始化训练损失和正确率# 计算预测误差pred = model(x) # 网络输出loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距# 反向传播opt.zero_grad() # grad属性归零loss.backward() # 反向传播opt.step() # 每一步自动更新# 记录losssize = len(data

【代码】深度学习打卡第R5周：天气预测。

【代码】深度学习打卡第J1周：ResNet-50算法实战与解析。

【代码】深度学习打卡第J2周：ResNet50V2算法实战与解析。