Začněte nyníZačněte zdarma

Trénování a testování modelu Transformer

Teď, když máš model TransformerEncoder připravený, je dalším krokem v PyBooks jeho trénování na ukázkových recenzích a vyhodnocení výkonu. Trénování na těchto recenzích pomůže PyBooks lépe porozumět sentimentálním trendům v jejich rozsáhlém repozitáři. Dobře natrénovaný model umožní PyBooks automatizovat analýzu sentimentu a zajistit čtenářům hodnotnější doporučení a zpětnou vazbu.

Následující balíčky jsou již naimportované: torch, nn, optim.

Instance model třídy TransformerEncoder, token_embeddings a proměnné train_sentences, train_labels, test_sentences, test_labels jsou pro tebe předem načtené.

Toto cvičení je součástí kurzu

Deep Learning for Text with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • V trénovací smyčce rozděl věty na tokeny a složi jejich embeddingy.
  • Vynuluj gradienty a proveď zpětný průchod.
  • Ve funkci predict deaktivuj výpočet gradientů a získej předpověď sentimentu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

for epoch in range(5):  
    for sentence, label in zip(train_sentences, train_labels):
        # Split the sentences into tokens and stack the embeddings
        tokens = ____
        data = torch.____([token_embeddings[token] for token in ____], dim=1)
        output = model(data)
        loss = criterion(output, torch.tensor([label]))
        # Zero the gradients and perform a backward pass
        optimizer.____()
        loss.____()
        optimizer.step()
        print(f"Epoch {epoch}, Loss: {loss.item()}")

def predict(sentence):
    model.eval()
    # Deactivate the gradient computations and get the sentiment prediction.
    with torch.____():
        tokens = sentence.split()
        data = torch.stack([token_embeddings.get(token, torch.rand((1, 512))) for token in tokens], dim=1)
        output = model(data)
        predicted = torch.____(output, dim=1)
        return "Positive" if predicted.item() == 1 else "Negative"

sample_sentence = "This product can be better"
print(f"'{sample_sentence}' is {predict(sample_sentence)}")
Upravit a spustit kód