整个运行流程的总结 加载数据：将原始文本数据处理为模型可接受的格式。 构建模型：加载预训练 BERT 模型，并添加分类层。 训练模型：通过反复优化模型参数，让模型学习数据特征。 保存模型：选择验证集上表现最好的模型进行保存。 测试模型：加载最佳模型，在测试集上评估最终性能。 输出结果：显示训练和测试的所有重要信息。
- 配置和初始化 导入依赖库：加载用于数据处理、深度学习、BERT模型和评估的各种库。
定义配置类 (Config)：
设置数据路径（训练集、验证集、测试集）。 定义超参数（学习率、批次大小、句子长度、类别数等）。 加载预训练的 BERT 模型路径和分词器。 随机种子设置：固定随机种子，确保代码多次运行结果一致。
- 数据预处理 加载数据集：
读取训练集、验证集、测试集的数据文件。 每行数据按照 文本\t标签 格式被拆分。 使用 BERT 分词器将文本分词，并转化为对应的 ID。 对序列进行长度规范化（短填长切），并生成 mask 掩码。 构建迭代器：
将预处理后的数据封装为 DatasetIterator，用于批量加载数据
- 模型定义 加载预训练模型：
使用 BertModel.from_pretrained 加载 BERT 模型，作为基础的特征提取器。 设置 BERT 模型的参数为可训练状态。 添加分类层：
在 BERT 输出的特征基础上，增加一个全连接层（self.fc），将特征映射到分类结果（类别数）
- 模型训练 训练准备：
定义优化器（AdamW）和学习率调度器（get_linear_schedule_with_warmup）。 初始化模型状态变量，比如累计的训练步数、最佳验证损失等。 训练循环：
遍历每个 epoch（训练轮数）： 按批次从训练集迭代器中加载数据。 将数据输入模型，计算预测结果。 计算损失（交叉熵），并反向传播以更新模型参数。 定期在验证集上评估模型性能，记录验证损失和准确率。 如果验证效果长时间没有提升（早停条件），提前结束训练。 模型保存：
如果验证集的损失降低（性能提升），保存当前模型的参数到指定文件。
- 模型测试 加载最佳模型：
训练完成后，加载在验证集上表现最好的模型参数。 测试评估：
使用测试集数据，评估模型的最终性能。 计算并输出： 测试损失和准确率。 分类报告（每类的精确率、召回率、F1分数）。 混淆矩阵（显示预测结果和真实结果的对应关系）。
- 输出结果 输出整个训练和测试的日志，包括每个阶段的时间消耗、模型参数、损失和准确率等。 打印分类报告和混淆矩阵。