本周核心定位
学习 RNN 改进模型 LSTM、GRU，解决长依赖问题；完整落地文本情感分类项目；串联图像分类 + 文本分类两大项目，完成阶段考核验收。
一、本周知识点（每日拆分建议）
- Day1 LSTM 长短期记忆网络
- LSTM 设计初衷：解决 RNN 长序列梯度消失
- 四大门控结构：遗忘门、输入门、细胞状态、输出门作用与流转逻辑
- LSTM 单元整体运算流程
- Day2 GRU 门控循环单元
- GRU 相比 LSTM 的简化设计（合并门控、参数量更少、训练更快）
- 更新门、重置门工作原理
- LSTM 与 GRU 优缺点、选型场景对比
- Day3 序列模型工程要点
- 多层 RNN/LSTM/GRU 堆叠、dropout 正则化在序列网络中的使用
- 双向循环网络（Bi-RNN/Bi-LSTM）适用场景（文本特征提取）
- 序列模型训练调参基础：学习率、批次大小、序列长度设置
二、本周实操任务（核心：文本情感分类完整项目）
数据集选用：公开英文 / 中文情感数据集（如 IMDB 影评、中文微博情感数据集）
- Day4 完整项目开发（上）
- 整合第 23 周预处理代码，搭建Embedding + LSTM/GRU + 全连接分类头完整网络
- 划分训练集 / 测试集，定义损失函数、优化器、评价指标（准确率）
- Day5 完整项目开发（下）
- 编写训练、验证、测试全套代码，运行模型完成训练
- 模型效果调优：调整网络层数、隐藏层维度、词表大小，观察准确率变化
- 单条文本推理测试：输入自定义语句，验证情感分类结果
三、本周阶段验收（必完成，本阶段最终考核）
验收要求：独立完成图像分类、文本分类两大 PyTorch 深度学习项目
- 项目 1（历史复盘）：PyTorch 图像分类项目
- 可复现代码，能清晰讲解 CNN 网络结构、数据加载、训练流程、结果分析
- 项目 2（本周新作）：PyTorch 文本情感分类项目
- 独立编写完整可运行代码（预处理 + Embedding+LSTM/GRU + 分类 + 训练推理）
- 能讲解：序列数据处理流程、LSTM/GRU 作用、网络设计思路、模型效果
- 综合考核：
- 口头 / 文档说明：CNN 与循环网络的区别、各自适用任务
- 代码实操：现场修改网络结构（如替换 RNN 为 LSTM、调整隐藏层节点）并重新运行
四、本周最终产出
- 笔记：LSTM、GRU 门控原理、两类模型对比总结
- 全套代码：
- 图像分类完整项目代码（归档整理）
- 文本情感分类完整项目代码（含预处理、训练、推理）
- 项目报告（可选，按课程要求）：两个项目的思路、网络结构、实验结果、问题总结
补充：两周整体学习节奏 & 重点总结
- 理论主线23 周：认识序列数据 → 原生 RNN → RNN 缺陷24 周：LSTM（复杂版改进）→ GRU（轻量版改进）→ 工程调优
- 实操主线23 周：文本预处理 + 基础 RNN 搭建（练数据、练基础网络）24 周：LSTM/GRU 完整情感分类项目 + 双项目整合验收
- 核心能力达成
- 理解循环网络时序依赖的核心思想
- 熟练
nn.Embedding、nn.RNN、nn.LSTM、nn.GRU等 PyTorch 层用法 - 具备独立搭建 ** 图像分类（CNN）、文本分类（RNN 系列）** 两大经典深度学习项目的能力
