今天我在使用 PyTorch 搭建一個簡單的分類器時，遇到了一個這樣的報錯： "RuntimeError: CUDA error: device-side assert triggered"。依稀記得從前也遇過這樣的問題，但也忘記怎麼解決的了，畢竟從前其實沒有記筆記的習慣。

接續之前旅館評論分類的工作，詳情請參閱《[PyTorch] 旅館評論情感分析實戰紀錄 (0)》這篇文章，我再次對原本的分類模型進行了簡單的改良。至於改良了什麼呢？還記得我在上一篇文章中提到我只是胡亂地將每個字斷開，個別給相異字一個 Index 去代表該字——簡單來講，就只是把文字資料轉成單個數字，好用來進行 Machine Learning。

『旅館評論情感分析』是一個適合訓練分類模型的自然語言處理（NLP）任務。今天是我隨意開始嘗試的第一天，於是我找了個 GitHub 上的旅館評論資料集專案，並訓練了一個由全連接層（fully-connected layer）組成的分類模型，並以 accuracy、precision、recall、F1-score 作為我的指標分數評估模型好壞。

在使用 PyTorch 這個好用的 Python 深度學習框架進行模型的訓練時，常常會有剛學習的人忘記把訓練好的模型『儲存』起來 —— 甚至根本沒意識到這回事，以為每次要使用都必須訓練一次。（其實這是我的黑歷史 XDDD）

生成對抗網路 (generative adversarial network, GAN) 是一個相當有名的神經網路模型，其功用為我們輸入一組『噪音』(Noise)，然後通過 Generator 產生出一組數字圖片，再經由 Discriminator 分辨是否是真正的圖片。

在使用 PyTorch 當中的 Sigmoid 當我們的激活函數時，比如說接在模型的最後一層當二元分類的輸出，畢竟 Sigmoid 可以將數值壓在 [0-1] 之間，我們只要設定個閥值 (Threshold) ，比如說 0.5，就可以將數值分成倆類。

在處理進行 Machine Learning 的資料時，我有著『將 Labels 轉成 One-Hot Encoding 型態』這樣的需求。我本來想得很單純，就將 Tensor 轉成 Numpy，再由 Numpy 轉成 One-Hot —— 就像我在這篇《在 Numpy 中將數值轉成 One-Hot 型態》中講述的一樣。