【C122】基于 PaddleNLP 的 BERT 分类模型训练与学术指标评估

本项目展示了如何使用 PaddlePaddle 和 PaddleNLP 构建 BERT 分类模型训练流程，并生成适合学术分析使用的模型评价指标表。代码围绕文本分类任务展开，重点包括模型训练配置、训练器封装、指标计算和结果报表输出。

项目首先定义了 BERT 模型训练参数，包括模型名称、类别数量、输出路径、训练轮次、batch size、学习率、最大文本长度、权重衰减、warmup 比例和设备类型等。随后，代码构建了适用于 PaddleNLP Trainer 的训练函数，实现训练集、验证集、模型、分词器和训练参数的统一封装。

在评价部分，项目不仅计算整体准确率，还输出每个类别的精确率、召回率、F1 值和样本量，并进一步给出宏平均结果。这种报表形式比单一 accuracy 更适合学术研究，因为它能够观察模型在不同类别上的表现差异。

项目运行后会完成 BERT 分类模型训练，并保存最优模型。

训练过程输出内容包括：

1. 训练轮次；

2. 学习率；

3. batch size；

4. 验证集 accuracy；

5. 验证集 macro F1；

6. 最优模型保存路径。

训练后可生成学术格式指标表，字段包括：

指标/维度

准确率 Accuracy

精确率 Precision

召回率 Recall

F1值

样本量 N

该结果表能够同时展示各类别表现和整体宏平均表现，便于判断模型是否存在类别偏科、召回不足或精确率不足等问题。