RNN 人名分类案例 - 需求介绍

1 课程概览

本课介绍 RNN 人名分类案例的需求。输入一个人名，用模型判断可能来自哪个国家。数据集共 20074 条数据，18 个国家，第一列是人名，第二列是国家，中间用 \t 隔开。本案例使用 one-hot 编码，三种模型（RNN、LSTM、GRU）全用。

2 核心概念与定义

• 人名分类器：根据人名判断来自哪个国家。
• 数据集：20074 条数据，18 个国家。
• one-hot 编码：本案例使用的文本数值化方法。
• 三种模型：RNN、LSTM、GRU。

3 模型与算法详解

案例需求

输入人名，判断来自哪个国家。

• 国际化业务：全球用户注册账号
• 用户输入名字后，显示名字对应的国家或国旗
• 实际价值：提高效率和用户体验

数据集介绍

20074 条数据，18 个国家。

数据集示例

人名\t国家
张\tChinese
王\tChinese
Smith\tEnglish
...

案例流程

1. 导包
2. 数据处理
   - 读取数据到内存
   - 构建 Dataset
   - 构建 DataLoader
3. 创建模型（RNN、LSTM、GRU）
4. 模型训练
5. 模型预测

技术选型

使用 one-hot 编码。

• one-hot 编码
• 不使用 Word2Vec 或 Word Embedding

案例特点

4 数学原理与推导

人名分类

$$\text{country} = \text{model}(\text{one_hot}(\text{name}))$$

其中：

• $\text{name}$ 是输入的人名
• $\text{one_hot}$ 是 one-hot 编码
• $\text{model}$ 是 RNN/LSTM/GRU 模型
• $\text{country}$ 是预测的国家

5 代码示例

# === 案例流程 ===
print("=== RNN 人名分类案例 ===")
print("1. 导包")
print("2. 数据处理")
print("   - 读取数据到内存")
print("   - 构建 Dataset")
print("   - 构建 DataLoader")
print("3. 创建模型（RNN、LSTM、GRU）")
print("4. 模型训练")
print("5. 模型预测")

# === 数据集示例 ===
print("\n=== 数据集示例 ===")
print("人名\t国家")
print("张\tChinese")
print("Smith\tEnglish")
print("...")
print(f"总数据量: 20074 条")
print(f"国家数量: 18 个")

6 重难点与易错提醒

• ❗重点：本案例使用 one-hot 编码。
• ❗重点：三种模型全用（RNN、LSTM、GRU）。
• ❗重点：数据集共 20074 条，18 个国家。
• 💡技巧：RNN 做好后，LSTM 和 GRU 可以复制粘贴。

7 课堂问答精选

Q1：人名分类案例的需求是什么？

A：输入一个人名，用模型判断可能来自哪个国家。数据集共 20074 条数据，18 个国家。

Q2：本案例使用什么编码方式？

A：本案例使用 one-hot 编码，不使用 Word2Vec 或 Word Embedding。

Q3：本案例用几种模型？

A：三种模型全用：RNN、LSTM、GRU。

8 本课小结

• 人名分类案例：输入人名，判断来自哪个国家。
• 数据集共 20074 条，18 个国家。
• 使用 one-hot 编码。
• 三种模型全用（RNN、LSTM、GRU）。

9 延伸思考

• 如何获取全局字母表和国家名？
• 如何读取数据到内存？