Začněte nyníZačněte zdarma

Sestavení modelu GRU pro text

Tým v PyBooks byl nadšený výsledky dvou modelů, které jsi předtím natrénoval/a. V touze dosáhnout co nejlepších výsledků ale chtějí mít jistotu, že pro daný úkol vyberou skutečně nejlepší model. Požádali tě proto o rozšíření projektu – konkrétně o vyzkoušení možností modelů GRU, které jsou známé svou efektivitou a spolehlivostí v úlohách klasifikace textu. Tvým novým úkolem je použít model GRU ke klasifikaci článků z datasetu Newsgroup do následujících kategorií:

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

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

Toto cvičení je součástí kurzu

Deep Learning for Text with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • Dokonči třídu GRU s požadovanými parametry.
  • Inicializuj model se stejnými parametry.
  • Natrénuj model: předej parametry funkci criterion a proveď zpětnou propagaci chyby.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Complete the GRU model
class GRUModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(GRUModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.gru = ____
        self.fc = nn.Linear(hidden_size, num_classes)       
    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size) 
        out, _ = self.gru(x, h0)
        out = out[:, -1, :] 
        out = self.fc(out)
        return out

# Initialize the model
gru_model = ____
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(gru_model.parameters(), lr=0.01)

# Train the model and backpropagate the loss after initialization
for epoch in range(15): 
    optimizer.zero_grad()
    outputs = ____
    loss = criterion(____, y_train_seq)
    ____
    optimizer.step()
    print(f'Epoch: {epoch+1}, Loss: {loss.item()}')
Upravit a spustit kód