项目名称：基于BERT架构的外卖评论情感分析系统
1.深入对比了传统RNN/LSTM与Transformer架构的优劣
1）RNN的缺陷：RNN是串行计算的，必须处理完上一个词才能处理下一个词，无法并行的计算，导致训练速度慢。其次存在严重的梯度消失/爆炸问题，导致很难捕捉长文本，有长距离依赖的问题
2）LSTM的优势与局限：引入了门控机制（遗忘门、输入门、输出门），缓解了RNN的长距离依赖的问题。但本质上还是串行的结构，计算效率依然不高
3）Self-attention（自注意力机制）：自注意力机制就是让模型在处理一个词的时候，自动的去“环顾四周”，看看周围的词和这个词本身的相关联程度，从而更好的理解语句。
高度并行化：矩阵运算一次性处理所有的词，极大提升训练速度
完美的全局感受野：文本中任意两个词之间的距离都是O（1），模型可以直接“看到”句子中相隔很远的两个词，彻底解决了长距离依赖的问题
2.Bert的原理是什么
原理：原理就是多层Transformer架构中的Encouder的堆叠，得益于Self-attention的机制，可以同时看到一个词左右两边所有上下文，做到“通读全文”.
规模参数：12层Encoder,维数为768，参数量在1.1个亿左右
3.Bert为什么好用？
Bert在海量无标注文本上做了预训练任务，就是把句子中15%的词进行mask，让模型结合上下文去猜这些词是什么，类似“完形填空”。
4.并接入全连接层进行下游任务微调
全连接层：self.cls_head = nn.Linear(768, num_class)
BERT 的输出是什么：当你把一句外卖评论（比如“这外卖太难吃了”）输入给 BERT 后，BERT 会经过层层计算，最后在[CLS]这个标志位上输出一个768 维的向量（也就是你代码里的pooler_out池化层，这个层也可以选择取平均值等等，128*768 -> 1*768（假设有128个token）这里取得是第一个token）。最后用全连接层得到二分类的结果
什么是下游任务？
上游任务就是bert去提取文本的特征，下游任务就是具体的任务，比如情感分类
微调？
同时，在训练的时候，我不仅训练了这个分类头，还让反向传播的梯度微微更新了 BERT 的底层参数，这就是微调，这样能让模型更贴合外卖评论的语境。
5.为什么使用AdamW
普通的 Adam 在引入 L2 正则化时，权重衰减会和梯度更新耦合在一起。AdamW 将权重衰减解耦，对于 Transformer 这种参数量巨大的模型，AdamW 能提供更好的泛化性能。
6.为什么epochs只有5
因为我们是基于 BERT 的预训练权重进行微调，模型已经具备了很好的特征提取能力，所以不需要从头开始收敛。通常微调任务在 3-5 个 epoch 左右就能达到最优效果，如果 epoch 设置过大，反而容易在训练集上过拟合
7.【重中之重】BERT 最后的输出有几种不同的方式？
BERT 处理输出主要有以下几种常用方式：
取 Pooler Output 池化输出层（你代码中使用的方式）：
1.原理：BERT 在输入序列的最前面会强制加一个特殊的[CLS]标志位。Pooler Output就是拿这个[CLS]token 在最后一层的隐藏状态（Hidden State），再经过一个线性层（Dense）和 Tanh 激活函数后得到的向量（维度通常是 768）。它被设计用来表示整个句子的全局语义。取 Last Hidden State 并做平均池化（Mean Pooling）：
原理：不只用
[CLS]，而是把最后一层所有 token（字/词）的隐藏状态拿出来，按序列长度维度求平均值。
取 [CLS] 的 Last Hidden State（不经过 Tanh 层）：
原理：直接拿第一位的
[CLS]向量去接分类头，跳过官方预设的池化层。
“在我的情感分类任务中，我主要使用的是Pooler Output。通常情况下，对于简单的句级分类任务，直接用[CLS]的Pooler Output就能达到很好的效果（比如 90% 以上的准确率）。但在一些更复杂的文本相似度或长文本任务中，学术界研究表明，对所有 token 做 Mean Pooling 往往能保留更平滑的全局信息，准确率可能会比单独用[CLS]高出 1到2个百分点。这也是我未来可以进一步优化和对比的方向。”
