Trenowanie i testowanie modelu Transformer

Mając gotowy model TransformerEncoder, następnym krokiem w PyBooks jest wytrenowanie go na przykładowych recenzjach i ocena jego działania. Trenowanie na tych recenzjach pomoże PyBooks zrozumieć trendy sentymentu w ich rozległym repozytorium. Dzięki dobrze działającemu modelowi PyBooks będzie mogło zautomatyzować analizę sentymentu – co przełoży się na trafniejsze rekomendacje i opinie dla czytelników.

Następujące pakiety zostały już zaimportowane: torch, nn, optim.

Instancja model klasy TransformerEncoder, obiekt token_embeddings oraz zmienne train_sentences, train_labels, test_sentences, test_labels są wstępnie załadowane.

To ćwiczenie jest częścią kursu

Uczenie głębokie dla tekstu z PyTorch

Zobacz kurs

Instrukcje do ćwiczenia

W pętli treningowej podziel zdania na tokeny i ułóż osadzenia w stos.
Wyzeruj gradienty i wykonaj przejście wsteczne.
W funkcji predict wyłącz obliczanie gradientów, a następnie pobierz predykcję sentymentu.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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)}")

Edytuj i uruchom kod