分类任务可以是二分类、多类别或多标签。
现在给出若干分类场景，您需要将它们归入这三类任务中的一种。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将带您了解文本深度学习及其应用。学习如何使用 PyTorch 进行文本处理，并亲手实践分词、词干提取、停用词去除等技术。理解对文本数据进行编码的重要性，并在 PyTorch 中实现编码方法。最后，通过构建结合这些技术的文本处理流水线来巩固所学。
探索文本分类及其在自然语言处理（NLP）中的作用。运用您的技能实现词嵌入，并使用 PyTorch 构建卷积神经网络（CNN）和循环神经网络（RNN）用于文本分类，同时了解如何使用合适的指标评估模型。
当前练习
走进文本生成的应用与实践。理解如何利用循环神经网络（RNN）、生成对抗网络（GAN）以及预训练模型，在 PyTorch 中完成文本生成任务。同时，您将学习使用相关指标评估模型表现。
理解迁移学习的概念及其在文本分类中的应用。探索 Transformer、其架构，以及如何将其用于文本分类与生成任务。您还将深入了解注意力机制及其在文本处理中的作用。最后，认识对抗性攻击对文本分类模型的潜在影响，并学习如何保护您的模型。
