Construir un modelo RNN para texto

Como analista de datos en PyBooks, a menudo te encuentras con conjuntos de datos que contienen información secuencial, como interacciones de clientes, series temporales o documentos de texto. Las RNN pueden analizar y extraer información valiosa de este tipo de datos. En este ejercicio, vas a trabajar con el conjunto de datos Newsgroup, que ya ha sido procesado y codificado por ti. Este conjunto incluye artículos de diferentes categorías. Tu tarea es aplicar una RNN para clasificar estos artículos en tres categorías:

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

Se ha cargado lo siguiente: torch, nn, optim.

Además, los parámetros input_size, hidden_size (32), num_layers (2) y num_classes ya están precargados.

Este y los siguientes ejercicios usan el conjunto de datos fetch_20newsgroups de sklearn.

Este ejercicio forma parte del curso

Deep Learning para texto con PyTorch

Ver curso

Instrucciones del ejercicio

Completa la clase RNN con una capa RNN y una capa lineal totalmente conectada.
Inicializa el modelo.
Entrena el modelo RNN durante diez épocas poniendo a cero los gradientes.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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()}')

Editar y ejecutar código