在 PyBooks，團隊剛用 BLEU 分數評估一個預訓練模型的效能，結果約為 0.082，rouge1_fmeasure 約為 0.2692。這些指標分別反映精確率（挑選出的項目有多少是相關的）與召回率（相關的項目中有多少被挑選到）。就模型表現而言，你會如何解讀這些分數？
rouge1_fmeasure
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
本章將帶你認識文字深度學習及其應用。你會學習如何使用 PyTorch 進行文字處理，並親手實作分詞、詞幹提取、停用詞移除等技巧。理解為何需要對文字資料進行編碼，並用 PyTorch 實作各種編碼方法。最後，將這些技巧整合成一個文字處理流程（pipeline），鞏固你的理解。
探索文字分類及其在自然語言處理（NLP）中的角色。動手實作詞嵌入，並使用 PyTorch 開發用於文字分類的卷積神經網路（CNN）與循環神經網路（RNN），同時理解如何用合適的評估指標來評估你的模型。
走進文字生成的精彩世界與其在 NLP 中的應用。理解如何運用循環神經網路（RNN）、生成對抗網路（GAN）與預先訓練的模型，使用 PyTorch 完成文字生成任務。你也會學到如何使用相關指標來評估模型的表現。
當前練習
理解遷移學習的概念及其在文字分類中的應用。探索 Transformer 的架構與原理，並了解如何將其用於文字分類與文字生成。你也會深入注意力機制及其在文字處理中的角色。最後，理解對抗式攻擊對文字分類模型的潛在影響，並學習如何保護你的模型。
