Fighter_sky的博客

尽管已有多种自动检测垃圾邮件的模型和技术被提出，但尚未有任何方法能实现100%的预测准确率。本研究提出了一种基于词嵌入（Word Embedding）的垃圾邮件分类方法，通过微调预训练的BERT（Bidirectional Encoder Representations from Transformers）模型来区分垃圾邮件（SPAM）与非垃圾邮件（HAM）。实验结果与基线模型（包含BiLSTM层和两个全连接层的深度神经网络）以及经典分类器（k-NN和朴素贝叶斯）进行了对比。捕捉文本的语义信息。

本模型采用双任务学习框架，基于经典残差网络实现时钟图像的小时和分钟同步识别。主干网络使用预训练的ResNet18作为特征提取器，移除原分类层（fc层），保留全局平均池化后的512维特征向量。该设计充分利用了ResNet在图像特征提取方面的优势，同时通过迁移学习提升模型收敛速度。双任务输出头损失函数采用双交叉熵损失联合优化：Total Loss = CrossEntropy(hour_pred, hour_true) + CrossEntropy(minute_pred, minute_true)优化技