Budowanie modelu LSTM do klasyfikacji tekstu

Zespół PyBooks nieustannie stara się podnosić jakość doświadczeń użytkowników, korzystając z najnowszych osiągnięć technologii. W ramach tego podejścia otrzymujesz ważne zadanie: zbadać możliwości kolejnego potężnego narzędzia – LSTM, które sprawdza się w wychwytywaniu złożonych wzorców w danych. Pracujesz z tym samym zbiorem danych Newsgroup, a cel pozostaje niezmieniony: sklasyfikować artykuły prasowe do trzech różnych kategorii:

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

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

To ćwiczenie jest częścią kursu

Uczenie głębokie dla tekstu z PyTorch

Zobacz kurs

Instrukcje do ćwiczenia

Zdefiniuj model LSTM, uzupełniając warstwy LSTM i liniową o niezbędne parametry.
Zainicjalizuj model z wymaganymi parametrami.
Wytrenuj model LSTM: wyzeruj gradienty i przepuść dane wejściowe X_train_seq przez model.
Oblicz stratę na podstawie przewidywanych wartości outputs i prawdziwych etykiet.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()}')

Edytuj i uruchom kod