随着电脑硬件的性能提升、价格下降，搭建个人用深度学习工作站的支出越来越低，需求也会越来越大。因此从今年开始，每年的 5、10 月份均会发布最新的深度学习工作站的配置指南。

随着 NVIDIA 的新一代 Ampere 架构的 GeFore 30 系列显卡的发布，在算力得到了极大提升的同时价格也大幅下降，花费不到 $1000 搭建一台性能强大的深度学习工作站已经成为了可能。适逢 AMD 的新一代 Ryzen 处理器也在 10 月 8 日发布，硬件性能的提升毫无疑问会再次推动深度学习的热潮。

我最近准备搭建自己的第一台深度学习工作站，本文（单 GPU 工作站）与下一篇文章（多 GPU 工作站）正是基于本人最近的研究。水平有限，没有实践，欢迎指正。

在之前的文章中，我们使用了 CNN 和 RNN 对 IMDB 数据集进行了分析，10 个 epoch 以后准确率不到 85%。除了使用更复杂的模型以外，我们还可以使用更好的词向量。本文中我们将使用 Bert 词向量和 GRU 层搭建另一个简单的神经网络模型。由于 transformers 涉及到大量计算，本文中将使用 Google Colab 提供的 GPU。

与前面的数据预处理流程不同，这里我们将使用 torchtext 来封装数据。有关 torchtext 的知识请看 PyTorch 折桂 13：TorchText。

前文回顾

在前两篇文章新手的第一个 NLP 任务：文本分类（1）和新手的第一个 NLP 项目：文本分类（2）中，我们读取了数据、对数据进行了预处理和封装，并搭建了一个 CNN 模型。本文中，我们将 CNN 模型换为 RNN 模型。

数据的准备

同新手的第一个 NLP 任务：文本分类（1）一样，不再赘述。