文本分类是使用计算机根据某个分类系统或标准自动对文本（或其他实体或对象）进行分类。这项竞赛是新闻标题文本的分类。玩家需要根据提供的新闻标题文本和类别标签来训练新闻分类模型，然后对测试集的新闻标题文本进行分类。Quantity.quantity.quantity.quantity.sife，在同一时间，参赛者需要使用飞行式桨式框架和核心飞行桨文本字段paddlenlp的开发库。Paddlenlp具有简单易用的 - 使用文本字段完整 - 程序API，多scenario应用程序示例和非常丰富的预培训模型。
Thucnews基于SINA News RSS订阅频道2005?2011，其中包括740,000个新闻文件（2.19 GB），所有这些都是UTF-8纯文本格式。基于原始的Sina新闻分类系统，该竞赛的数据集中重新融合14个候选分类类别：金融，彩票，房地产，股票，家庭，教育，科学和技术，时尚，现任政府，体育，体育，星座，游戏，游戏，游戏，总共提供83,2471培训数据。
数据集的格式：训练集和验证集：原始标题 + +标签，测试集格式：原始标题。
竞争是一项更常规的短文本多分类任务。该项目主要基于paddlenlp，以罚款 - 对Paddlenlp提供的培训数据的新闻14分类模型的培训和优化。最后，预测并生成提交结果文件。
请注意，该项目的操作需要极端版的GPU环境！如果您的内存不足，请注意适当的批次更改！
伯特前知识补充：[原理]经典培训模型 - 伯特
Paddlenlp不仅支持Roberta Pre -Training模型，而且还支持Ernie，Bert，Electra。
下表总结了Paddlenlp.users支持的各种预训练模型，可以使用Paddlenlp提供的模型来完成诸如询问和答案，序列分类，令牌分类等任务。在同一时间，还提供了22个预培训参数权重为了使用用户，其中包含11种汉语模型的预培训重量。
变压器模型（例如Berter）的学习率是热身的动态学习率。
PS：在模型培训期间，您可以通过输入NVIDIA-SMI命令或单击底部的“性能监视”选项来适当调整批次化，以防止暂停内存内存的内存不足。
PS：在模型培训期间，您可以在终端输入NVIDIA-SMI命令，或通过底部底部右下角的性能监视选项查看内存职业状态。如果视频存储器不足，则应适当调整批处理的值。
留在这里或在这里发布缓存
应当指出的是，将格式提交为zip的请求，并找到生成的提交。zip文件将下载到本地和竞争页面，以在主目录中提交提交！