from mindspore.nn import SoftmaxCrossEntropyWithLogits # 交叉熵损失函数（适合分类任务）from mindspore.nn import Momentum # Momentum优化器# 1. 损失函数：SoftmaxCrossEntropyWithLogits（包含Softmax激活与交叉熵计算）# sparse=True表示标签为整数形式（

from mindspore.nn import SoftmaxCrossEntropyWithLogits # 交叉熵损失函数（适合分类任务）from mindspore.nn import Momentum # Momentum优化器# 1. 损失函数：SoftmaxCrossEntropyWithLogits（包含Softmax激活与交叉熵计算）# sparse=True表示标签为整数形式（

​# 优化器：Adam+权重衰减​optimizer = nn.Adam(net.trainable_params(), lr=0.001, weight_decay=1e-4)​​。全连接网络的训练，本质是 “优化权重 ​w和偏置 ​b”，让模型预测越来越准。MindSpore 不用改损失函数，直接在优化器里加参数：​。损失函数是 “裁判”，用来衡量模型预测值 ​y^​和真实标签 ​y的差距。（

​隐藏层：2 层，第一层 128 个神经元，第二层 64 个神经元，激活函数用 ReLU（常用的非线性激活函数，能解决梯度消失问题）。运行代码后，我们会看到一张手写数字 “5” 的图片（因为 x_train [0] 的标签是 5），这就是我们要让模型学习识别的数据。print("训练集图片形状：", x_train.shape) # (60000, 28, 28)：60000张28×28的图片。#

​隐藏层：2 层，第一层 128 个神经元，第二层 64 个神经元，激活函数用 ReLU（常用的非线性激活函数，能解决梯度消失问题）。运行代码后，我们会看到一张手写数字 “5” 的图片（因为 x_train [0] 的标签是 5），这就是我们要让模型学习识别的数据。print("训练集图片形状：", x_train.shape) # (60000, 28, 28)：60000张28×28的图片。#

情感分类是指将文本（如评论、推文）划分为不同情感类别的任务（常见为二分类：正面 / 负面）。循环神经网络（RNN）因能捕捉序列数据的时序依赖关系，成为处理文本这类序列数据的经典选择 —— 它可以 “记住” 前文信息，从而理解文本的语义连贯性。在昇思 MindSpore 中，我们可以通过简洁的代码实现 RNN（含 LSTM、GRU 等变体）的情感分类模型，下面从数据处理、模型构建、训练评估三个环节展