Začněte nyníZačněte zdarma

Sestavení modelu LSTM pro text

Tým v PyBooks neustále hledá způsoby, jak zlepšit uživatelský zážitek díky nejnovějším technologiím. V souladu s touto vizí ti byl přidělen důležitý úkol. Tým chce prozkoumat možnosti dalšího výkonného nástroje: LSTM, který dokáže zachytit složitější vzory v datech. Pracuješ se stejnou datovou sadou Newsgroup a cíl zůstává stejný: klasifikovat novinové články do tří různých kategorií:

rec.autos, sci.med a comp.graphics.

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

Toto cvičení je součástí kurzu

Deep Learning for Text with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • Nastav model LSTM tak, že doplníš vrstvu LSTM a lineární vrstvu s potřebnými parametry.
  • Inicializuj model s potřebnými parametry.
  • Natrénuj model LSTM: vynuluj gradienty a předej vstupní data X_train_seq modelu.
  • Vypočítej ztrátu na základě predikovaných hodnot outputs a skutečných štítků.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize the LSTM and the output layer with parameters
class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(LSTMModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(____, ____, ____, batch_first=True)
        self.fc = nn.Linear(____, ____)        
    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size)
        out, _ = self.lstm(x, (h0, c0))
        out = out[:, -1, :] 
        out = self.fc(out)
        return out

# Initialize model with required parameters
lstm_model = LSTMModel(____, ____, ____, ____)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(lstm_model.parameters(), lr=0.01)

# Train the model by passing the correct parameters and zeroing the gradient
for epoch in range(10): 
    optimizer.____
    outputs = lstm_model(____)
    loss = criterion(____, y_train_seq)
    loss.backward()
    optimizer.step()
    print(f'Epoch: {epoch+1}, Loss: {loss.item()}')
Upravit a spustit kód