Začněte nyníZačněte zdarma

Tvorba RNN modelu pro text

Jako datový analytik v PyBooks se často setkáváš s datovými sadami obsahujícími sekvenční informace – například záznamy o interakcích se zákazníky, časové řady nebo textové dokumenty. RNN sítě dokážou taková data efektivně analyzovat a vytěžit z nich cenné poznatky. V tomto cvičení se ponoříš do datasetu Newsgroup, který byl za tebe předem zpracován a zakódován. Dataset obsahuje články z různých kategorií. Tvým úkolem je použít RNN k zařazení těchto článků do tří kategorií:

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

Načteno pro tebe je: torch, nn, optim.

Navíc jsou pro tebe předem načteny parametry input_size, hidden_size (32), num_layers (2) a num_classes.

Toto i následující cvičení využívají dataset fetch_20newsgroups z knihovny sklearn.

Toto cvičení je součástí kurzu

Deep Learning for Text with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • Doplň třídu RNN o vrstvu RNN a plně propojenou lineární vrstvu.
  • Inicializuj model.
  • Trénuj RNN model po dobu deseti epoch s nulováním gradientů.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Complete the RNN class
class RNNModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(RNNModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.rnn = ____.____(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = ____.____(hidden_size, num_classes)        
    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size)
        out, _ = self.rnn(x, h0)
        out = out[:, -1, :] 
        out = self.fc(out)
        return out

# Initialize the model
rnn_model = ____(input_size, hidden_size, num_layers, num_classes)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(rnn_model.parameters(), lr=0.01)

# Train the model for ten epochs and zero the gradients
for epoch in ____: 
    optimizer.____()
    outputs = ____(X_train_seq)
    loss = criterion(outputs, y_train_seq)
    loss.backward()
    optimizer.step()
    print(f'Epoch: {epoch+1}, Loss: {loss.item()}')
Upravit a spustit kód