全球人名分类案例 - 思路总结

1 课程概览

本课对全球人名分类案例进行总结。以 RNN 模型为例，总结预测过程，并布置练习任务。练习顺序：先用 RNN 跑通，再用 LSTM，最后用 GRU。最终版将三种模型合并到一起。

2 核心概念与定义

预测过程：文本转张量 → 创建模型 → 加载参数 → 预测。
top_k：返回前 k 名结果。
练习顺序：RNN → LSTM → GRU。

3 模型与算法详解

预测过程总结

以 RNN 模型为例。

1. 将输入文本转成张量
2. 创建模型
3. 加载训练好的参数
4. 预测（返回前 3 名）

练习顺序

步骤	内容	说明
1	RNN 模型	先用 RNN 跑通案例
2	LSTM 模型	再用 LSTM 跑一版
3	GRU 模型	GRU 与 RNN 类似，换对象即可
4	合并版	将三种模型合并到一起
5	优化版	优化损失函数、返回 DataLoader、导出数据

优化建议

可以优化的地方。

损失函数：使用其他损失函数
返回 DataLoader：直接返回数据加载器
导出数据：将损失、时间、准确率导出到文件

4 数学原理与推导

预测

$$\text{output} = \text{model}(\text{tensor}(\text{name}))$$

Top-K

$$\text{top_k} = \text{topk}(\text{output}, k=3)$$

5 代码示例

# === 练习顺序 ===
print("=== 全球人名分类案例 - 练习顺序 ===")
print("1. RNN 模型：先用 RNN 跑通案例")
print("   - 导包")
print("   - 数据预处理")
print("   - 构建 RNN 模型")
print("   - 模型训练")
print("   - 模型预测")
print()
print("2. LSTM 模型：再用 LSTM 跑一版")
print("   - 思路与 RNN 一样")
print()
print("3. GRU 模型：GRU 与 RNN 类似")
print("   - 换对象即可")
print()
print("4. 合并版：将三种模型合并到一起")
print("   - 建三个 .py 文件")
print("   - 合并到一起")
print("   - 模型训练、运行结果、绘图")
print()
print("5. 优化版：优化可以优化的地方")
print("   - 损失函数")
print("   - 返回 DataLoader")
print("   - 导出损失、时间、准确率到文件")