第 24 周：LSTM/GRU + 文本情感分类实战 + 整体阶段验收

本周核心定位学习 RNN 改进模型 LSTM、GRU解决长依赖问题完整落地文本情感分类项目串联图像分类 文本分类两大项目完成阶段考核验收。一、本周知识点每日拆分建议Day1 LSTM 长短期记忆网络LSTM 设计初衷解决 RNN 长序列梯度消失四大门控结构遗忘门、输入门、细胞状态、输出门作用与流转逻辑LSTM 单元整体运算流程Day2 GRU 门控循环单元GRU 相比 LSTM 的简化设计合并门控、参数量更少、训练更快更新门、重置门工作原理LSTM 与 GRU 优缺点、选型场景对比Day3 序列模型工程要点多层 RNN/LSTM/GRU 堆叠、dropout 正则化在序列网络中的使用双向循环网络Bi-RNN/Bi-LSTM适用场景文本特征提取序列模型训练调参基础学习率、批次大小、序列长度设置二、本周实操任务核心文本情感分类完整项目数据集选用公开英文 / 中文情感数据集如 IMDB 影评、中文微博情感数据集Day4 完整项目开发上整合第 23 周预处理代码搭建Embedding LSTM/GRU 全连接分类头完整网络划分训练集 / 测试集定义损失函数、优化器、评价指标准确率Day5 完整项目开发下编写训练、验证、测试全套代码运行模型完成训练模型效果调优调整网络层数、隐藏层维度、词表大小观察准确率变化单条文本推理测试输入自定义语句验证情感分类结果三、本周阶段验收必完成本阶段最终考核验收要求独立完成图像分类、文本分类两大 PyTorch 深度学习项目项目 1历史复盘PyTorch 图像分类项目可复现代码能清晰讲解 CNN 网络结构、数据加载、训练流程、结果分析项目 2本周新作PyTorch 文本情感分类项目独立编写完整可运行代码预处理 EmbeddingLSTM/GRU 分类 训练推理能讲解序列数据处理流程、LSTM/GRU 作用、网络设计思路、模型效果综合考核口头 / 文档说明CNN 与循环网络的区别、各自适用任务代码实操现场修改网络结构如替换 RNN 为 LSTM、调整隐藏层节点并重新运行四、本周最终产出笔记LSTM、GRU 门控原理、两类模型对比总结全套代码图像分类完整项目代码归档整理文本情感分类完整项目代码含预处理、训练、推理项目报告可选按课程要求两个项目的思路、网络结构、实验结果、问题总结补充两周整体学习节奏 重点总结理论主线23 周认识序列数据 → 原生 RNN → RNN 缺陷24 周LSTM复杂版改进→ GRU轻量版改进→ 工程调优实操主线23 周文本预处理 基础 RNN 搭建练数据、练基础网络24 周LSTM/GRU 完整情感分类项目 双项目整合验收核心能力达成理解循环网络时序依赖的核心思想熟练nn.Embedding、nn.RNN、nn.LSTM、nn.GRU等 PyTorch 层用法具备独立搭建 ** 图像分类CNN、文本分类RNN 系列** 两大经典深度学习项目的能力