输入：x.shape [128,50]
vocab_num, embed_len = embed_mat.size() [3751,200]
x = self.embed(x) [128,50,200] #[batchsize,channel,size]
单项lstm [128,50,200]双向Lstm[128,50,400]

数据集：PKU
精度评价：eval.
使用 accuracy_score
分类准确率分数是指所有分类正确的百分比。

nn.Embedding
这是一个矩阵类，里面初始化了一个随机矩阵，矩阵的长是字典的大小，宽是用来表示字典中每个元素的属性向量
rnn = nn.LSTM(10,20,2)
#构建网络模型---输入矩阵特征数input_size、输出矩阵特征数hidden_size、层数num_layers
损失函数:
BCEWithLogitsLoss(reduction='sum')
二分类用的交叉熵，用的时候需要在该层前面加上 Sigmoid 函数
网络搭建:
Linear 全连接层
torch.nn.Linear(128, 10)