2022/03/10
【BUGFix】
- 代码可以跑起来了，解决了困扰多日的TypeError
- 修复了在打印loss与accuracy的可视化图表的时候只能打印loss而不能打印accuracy的bug
【尚存在的问题】
- 通过试验发现python在
from ... import ...或者import ...的时候，会将该包先运行一次进行检验，在加载完成且检验无错误后，将包加载到内存区，这就涉及到一个运行效率的问题.因为做的是机器学习，且设备配置有限，所以导致运行效率低下.正在寻找解决的方法. - 在导入keras的时候会出现
Cannot find reference 'keras' in '__init__.py | __init__.py'，但不影响运行，凡是不影响运行的一律当没bug处理^ ^
2022/03/30
好久没更新了，忘了还有这么一篇日志。
今天将train_test_split中的test_size参数与model.fit()中的validation_data参数搞懂了，之前就觉的奇怪，为什么在datasplit的时候明明划分过训练集和验证集了，而在train的时候还要再用validation_size指定一次。validation_data指的是在训练集中分出多少不用于训练，而是用于验证，这里应该是重复了，所以我采用了在训练模型的时候用validation_data指定之前用test_size划分的验证集.
再记录一下今天经过修改的模型和损失吧：
2022/04/02
一直听说深度学习训练模型的时候最好是用GPU跑，因为模型训练的时候多是一些类似于1+1的运算，再加上GPU的线程数是大于CPU的，所以用GPU训练可能会快一点，但我一直没当回事，毕竟之前用的语料是title，一直到今天用content训练的时候，发现，哇，好慢啊，10轮的训练得跑一个多小时，然后就突然想起来gpu、cpu这个问题了，所以就下了个cuda试了试，发现效果好得出奇！真的快了很多！
但不知道为什么，Attention-BiLSTM、BiLSTM和TextCNN三个模型的F1-Score并没有太大的差距。之前用title训练的时候就没有太大差距，我还以为是因为句子长度太短了，但今天用content的时候还是发现没有太大的差距。那这样的话我增加Attention层的意义在哪啊？
