#序列分类

该项目基于bert-base-uncased模型，利用TextAttack框架和yelp_polarity数据集进行微调，构建了一个文本情感分类器。经过5轮训练，模型在评估集上达到96.99%的准确率。支持最大256的序列长度，专门用于Yelp评论的情感分析。模型采用16的批次大小和5e-05的学习率，展现出优秀的性能表现。

该项目通过使用TextAttack工具和ag_news数据集对distilbert-base-uncased模型进行微调，提升了文本分类的精确度。模型经过5个周期的训练，采用了32的批量大小、2e-05的学习率和128的最大序列长度。在分类任务中采用了交叉熵损失函数。模型在验证集测试中取得了0.9479的最佳准确度。详见TextAttack的GitHub页面。

bert-base-uncased模型通过TextAttack和ag_news数据集进行微调，专为文本序列分类任务优化。经过5轮训练并采用交叉熵损失函数，该模型在第3轮时达到了0.951的高准确率。该模型设置批量大小为16，学习率为3e-05，最大序列长度为128，适用于高效准确的文本分类任务。了解更多信息请访问TextAttack的Github页面。