任务一：基于机器学习的文本分类 实现基于logistic/softmax regression的文本分类

任务二：基于深度学习的文本分类 熟悉Pytorch，用Pytorch重写《任务一》，实现CNN、RNN的文本分类；

任务三：基于注意力机制的文本匹配 输入两个句子判断，判断它们之间的关系。参考ESIM（可以只用LSTM，忽略Tree-LSTM），用双向的注意力机制实现。

任务四：基于LSTM+CRF的序列标注 用LSTM+CRF来训练序列标注模型：以Named Entity Recognition为例。

任务五：基于神经网络的语言模型 用LSTM、GRU来训练字符级的语言模型，计算困惑度

pytorch:1.9.0+cpu

torch_geometric:2.5.3

torch_scatter:2.0.9

torch_sparse:0.6.12

torchvision:0.10.1