issey的博客

在本篇文章中，我们详细介绍了Python logging 模块的日志记录方法，并探讨了如何实现统一的日志管理。首先，我们展示了如何使用不同的日志级别（如debug、info、warning、error 和 critical）来记录程序的运行状态。此外，我们还介绍了 exception 方法，用于捕获并记录异常信息及其堆栈跟踪，帮助开发者快速定位问题。最后，文章重点讲解了如何在多模块项目中通过统一的日志配置实现集中管理，确保各模块的日志输出格式一致，便于调试和维护。

年度总结与研究生迎新引荐以及项目合作意向

在第二篇文章中，我们深入探讨了Python logging 模块的高级配置，包括日志处理器、格式器和过滤器的使用。首先，介绍了 StreamHandler、FileHandler 等日志处理器，以及 RotatingFileHandler 和 TimedRotatingFileHandler 实现日志轮转的配置。接着，讲解了日志格式器的作用，如何通过自定义格式控制日志输出。最后，展示了日志过滤器的使用，根据特定规则筛选日志消息。通过这些高级配置，日志系统更灵活且适应复杂项目需求。

本文介绍了Python logging 模块的基础与配置，涵盖日志的概念、日志级别（DEBUG、INFO、WARNING、ERROR、CRITICAL）以及如何将日志输出到控制台或文件。通过两个实验，展示了如何使用基本配置输出日志，并通过YAML文件配置日志处理器和格式化器，灵活控制日志的输出目标和格式。在总结部分，文章强调了日志系统的重要性，并为后续的高级日志配置做了铺垫，包括使用不同的日志处理器、格式化器和过滤器，以满足更复杂的日志需求。

在《【NLP】多标签分类》系列的上一篇文章中，我们深入探讨了三种机器学习方法：Binary Relevance (BR)、Classifier Chains (CC) 以及 Label Powerset (LP)，旨在解决多标签分类的挑战。这些方法各展所长，为我们提供了不同角度解析和处理多标签问题的视角。继先前对这些机器学习方法的详尽分析之后，本篇文章转向更为先进的解决策略——专注于序列生成方法，并以Transformer模型的一种变体，即T5预训练模型为核心，进行实验探索。

《【NLP】多标签分类》主要介绍利用三种机器学习方法和一种序列生成方法来解决多标签分类问题（包含实验与对应代码）。共分为上下两篇，上篇聚焦三种机器学习方法，分别是：Binary Relevance (BR)、Classifier Chains (CC)、Label Powerset (LP)，下篇聚焦利用序列生成解决多标签分类方法，将使用Transformer完成该任务。

本文为该系列第三篇文章，也是最后一篇。本文共分为两部分，在第一部分，我们将学习如何使用pytorch lightning保存模型的机制、如何读取模型与对测试集做测试。第二部分，我们将探讨前文遇到的过拟合问题，调整我们的超参数，进行第二轮训练，并对比两次训练的区别。我们还将基于pytorch lightning实现回调函数，保存训练过程中val_loss最小的模型。最后，将我们第二轮训练的best model进行评估，这一次，模型在测试集上的表现将达到排行榜第13位。

本文为该系列第二篇文章，在本文中，我们将学习如何用pytorch搭建我们需要的Bert+Bilstm神经网络，如何用pytorch lightning改造我们的trainer，并开始在GPU环境我们第一次正式的训练。在这篇文章的末尾，我们的模型在测试集上的表现将达到排行榜28名的位置。

本系列将带领大家从数据获取、数据清洗、模型构建、训练，观察loss变化，调整超参数再次训练，并最后进行评估整一个过程。我们将获取一份公开竞赛中文数据，并一步步实验，到最后，我们的评估可以达到排行榜13位的位置。但重要的不是排名，而是我们能在其中学到很多。本文为该系列第一篇文章，在本文中，我们将一同观察原始数据，进行数据清洗。样本是很重要的一个部分，学会观察样本并剔除一些符合特殊条件的样本，对模型在学习时有很大的帮助。

混淆矩阵简介;二分类混淆矩阵;多分类混淆矩阵;准确率、精确率、召回率、特异度；F1-score；示例与代码实现；使用sklearn对比计算结果是否正确