Budowanie modelu GRU do klasyfikacji tekstu

Zespół PyBooks jest pod wrażeniem wyników dwóch wcześniej wytrenowanych modeli. W dążeniu do doskonałości chce jednak mieć pewność, że wybiera najlepsze możliwe rozwiązanie dla tego zadania. Dlatego poproszono cię o rozszerzenie projektu i sprawdzenie możliwości modeli GRU, cenionych za wydajność i skuteczność w zadaniach klasyfikacji tekstu. Twoim nowym zadaniem jest zastosowanie modelu GRU do klasyfikacji artykułów ze zbioru danych Newsgroup do następujących 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

Uzupełnij klasę GRU o wymagane parametry.
Zainicjalizuj model z tymi samymi parametrami.
Wytrenuj model: przekaż parametry do funkcji kryterium i wykonaj propagację wsteczną straty.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()}')

Edytuj i uruchom kod