Budowanie modelu RNN do klasyfikacji tekstu

Jako analityk danych w PyBooks często pracujesz z danymi sekwencyjnymi – takimi jak interakcje z klientami, szeregi czasowe czy dokumenty tekstowe. Rekurencyjne sieci neuronowe (RNN) doskonale sprawdzają się w analizie i wydobywaniu informacji z tego rodzaju danych. W tym ćwiczeniu zajmiesz się zbiorem danych Newsgroup, który został już wstępnie przetworzony i zakodowany. Zawiera on artykuły z różnych kategorii. Twoim zadaniem jest użycie sieci RNN do sklasyfikowania tych artykułów do trzech kategorii:

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

Następujące elementy zostały już wczytane: torch, nn, optim.

Ponadto parametry input_size, hidden_size (32), num_layers (2) oraz num_classes są już wstępnie załadowane.

To i kolejne ćwiczenia korzystają ze zbioru danych fetch_20newsgroups z biblioteki sklearn.

To ćwiczenie jest częścią kursu

Uczenie głębokie dla tekstu z PyTorch

Zobacz kurs

Instrukcje do ćwiczenia

Uzupełnij klasę RNN o warstwę RNN oraz w pełni połączoną warstwę liniową.
Zainicjalizuj model.
Wytrenuj model RNN przez dziesięć epok, zerując gradienty.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()}')

Edytuj i uruchom kod