1）导入必要的包2)创建模型导入下载的Bert模型因为利用训练好的Bert进行分类，所以实际上model模块只需要两部分，导入BERT以及自己的分类头self.cls_head = nn.Linear(768, num_class) 输入768维特征，输出分类至自己的分类结果def __init__(self, bert_path, num_class, device):#传入bert路径和自己的

1）导入必要的包2)创建模型导入下载的Bert模型因为利用训练好的Bert进行分类，所以实际上model模块只需要两部分，导入BERT以及自己的分类头self.cls_head = nn.Linear(768, num_class) 输入768维特征，输出分类至自己的分类结果def __init__(self, bert_path, num_class, device):#传入bert路径和自己的

1）导入必要的包2)创建模型导入下载的Bert模型因为利用训练好的Bert进行分类，所以实际上model模块只需要两部分，导入BERT以及自己的分类头self.cls_head = nn.Linear(768, num_class) 输入768维特征，输出分类至自己的分类结果def __init__(self, bert_path, num_class, device):#传入bert路径和自己的

transformer是大模型的基础，由encoder和decoder组成，以翻译任务为例，输入一句话经过transformer生成其翻译内容。实际应用中，都是由多个encoder和多个decoder构成编码器和解码器。

本篇主要讲解食物分类实战训练和验证部分代码并引入半监督学习，包含迁移学习和图片增广等数据处理方法。食物图片一共分为11个类别，其中带标签的数据：28011，不带标签的训练数据： 6786验证集3011，测试集3347。这个可看可不看，因为我们主要用别人训练好的模型nn.BatchNorm2d(64), # 归一化，要和输出的通道数保持一致nn.ReLU(),nn.BatchNorm2d(128),

将其转为数值来看就是这样，用1表示红色，-1表示黑色，小矩阵作为卷积核，用卷积核对大的特征图处理了以后可以得到后面的4×4的特征图，其中只标出了几个点位的数据，可以对比带颜色的那个图来看，可以发现，得到数值越高的地方和和卷积核的相似度越高，比如7那个位置，在原图上只差了右上角的红色方块，而9那个位置和卷积核一摸一样，-3那个位置和卷积核差别很大，因此数值也小。网络这样写是因为VGG那些卷积层都是类

1）导入必要的包2)创建模型导入下载的Bert模型因为利用训练好的Bert进行分类，所以实际上model模块只需要两部分，导入BERT以及自己的分类头self.cls_head = nn.Linear(768, num_class) 输入768维特征，输出分类至自己的分类结果def __init__(self, bert_path, num_class, device):#传入bert路径和自己的