基于Bi-LSTM的海量文本情感分类实
基于 PyTorch 的 Bi-LSTM + Attention 作为基线模型（Baseline）。实现了中文字符级词表构建、序列截断与填充等数据预处理链路，验证了时序模型与注意力机制在中文情感分类上的有效性。 引入 bert-base-chinese 预训练模型进行全量数据（逾 21 万条）的下游任务微调。针对原始数据集正负样本极度不平衡的痛点优化了评估策略，最终在测试集上取得了 89.36% 的准确率（Accuracy）和 77.08% 的宏平均 F1-Score，精准识别出长尾的负面及中立评价。 独立打通了从数据清洗（Pandas）、批次化处理（DataLoader）、训
基于多模型架构的真实场景图像识别
基线模型搭建与调优：基于真实动物图像数据集（约2.6万张），从零手工搭建5层深层 CNN。通过引入 BatchNorm、L2 正则化及数据增强策略，解决模型“头重脚轻”导致的严重过拟合瓶颈，成功打通数据预处理到 TensorBoard 监控的全生命周期。 经典架构迁移学习： 引入ResNet18 预训练模型执行微调（Fine-tuning）。通过冻结特征层并修改全连接分类头，仅用极小的计算开销（5个Epoch）便将测试准确率从基线模型的80%拔高至95%以上，验证了CNN 的归纳偏置 (Inductive Bias) 在中小数据集上的优势。 前沿大模型底座对比： 完成Vision Tran
案例判断参考
的案例列表
基于Bi-LSTM的海量文本情感分类实
基于 PyTorch 的 Bi-LSTM + Attention 作为基线模型（Baseline）。实现了中文字符级词表构建、序列截断与填充等数据预处理链路，验证了时序模型与注意力机制在中文情感分类上的有效性。 引入 bert-base-chinese 预训练模型进行全量数据（逾 21 万条）的下游任务微调。针对原始数据集正负样本极度不平衡的痛点优化了评估策略，最终在测试集上取得了 89.36% 的准确率（Accuracy）和 77.08% 的宏平均 F1-Score，精准识别出长尾的负面及中立评价。 独立打通了从数据清洗（Pandas）、批次化处理（DataLoader）、训...
基于多模型架构的真实场景图像识别
基线模型搭建与调优：基于真实动物图像数据集（约2.6万张），从零手工搭建5层深层 CNN。通过引入 BatchNorm、L2 正则化及数据增强策略，解决模型“头重脚轻”导致的严重过拟合瓶颈，成功打通数据预处理到 TensorBoard 监控的全生命周期。 经典架构迁移学习： 引入ResNet18 预训练模型执行微调（Fine-tuning）。通过冻结特征层并修改全连接分类头，仅用极小的计算开销（5个Epoch）便将测试准确率从基线模型的80%拔高至95%以上，验证了CNN 的归纳偏置 (Inductive Bias) 在中小数据集上的优势。 前沿大模型底座对比： 完成Vision Tran...
