PyTorch官方教程笔记：文本主题

诸神缄默不语-个人优快云博文目录

PyTorch官方教程网址：Welcome to PyTorch Tutorials — PyTorch Tutorials 1.11.0+cu102 documentation

PyTorch官方教程首页可选Text（文本）主题：

该主题下的教程就是文本处理、自然语言处理领域的教程。

本文是对作者撰写各教程相应笔记所对应的目录。以下目录将随着写作过程更新笔记链接。

1. 使用nn.Transformer和torchtext建立seq2seq模型。原教程：Language Modeling with nn.Transformer and TorchText — PyTorch Tutorials 1.11.0+cu102 documentation
2. 使用character-level RNN实现名字分类模型。原教程：NLP From Scratch: Classifying Names with a Character-Level RNN — PyTorch Tutorials 1.11.0+cu102 documentation
3. 使用character-level RNN实现名字生成模型。原教程：NLP From Scratch: Generating Names with a Character-Level RNN — PyTorch Tutorials 1.11.0+cu102 documentation
4. 使用seq2seq网络和attention机制实现翻译模型。原教程：NLP From Scratch: Translation with a Sequence to Sequence Network and Attention — PyTorch Tutorials 1.11.0+cu102 documentation
5. 使用torchtext库实现文本分类（情感分类）模型。原教程：Text classification with the torchtext library — PyTorch Tutorials 1.11.0+cu102 documentation
6. 使用nn.Transformer和torchtext实现翻译模型。原教程：Language Translation with nn.Transformer and torchtext — PyTorch Tutorials 1.11.0+cu102 documentation
7. 在LSTM-based next word-prediction model上应用dynamic quantization¹。原教程：(beta) Dynamic Quantization on an LSTM Word Language Model — PyTorch Tutorials 1.11.0+cu102 documentation
8. 在BERT上应用dynamic quantization¹。原教程：(beta) Dynamic Quantization on BERT — PyTorch Tutorials 1.11.0+cu102 documentation

除PyTorch官方教程目录下文本主题的教程之外，还有torchtext包的官方教程：用XLM-RoBERTa模型进行SST-2二分类任务。原教程：SST-2 Binary text classification with XLM-RoBERTa model — torchtext 0.12.0 documentation

---

1. 对dynamic quantization的介绍可参考我所撰写的对PyTorch官方教程的学习笔记：Dynamic Quantization PyTorch官方教程学习笔记_诸神缄默不语的博客-优快云博客 ↩︎ ↩︎