Construindo um modelo GRU para texto

Na PyBooks, a equipe ficou impressionada com o desempenho dos dois modelos que você treinou anteriormente. No entanto, em busca da excelência, eles querem garantir a escolha do melhor modelo possível para a tarefa. Por isso, pediram que você ampliasse o projeto experimentando as capacidades dos modelos GRU, conhecidos por sua eficiência e eficácia em tarefas de classificação de texto. Sua nova missão é aplicar o modelo GRU para classificar artigos do conjunto de dados Newsgroup nas seguintes categorias:

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

Os seguintes pacotes já foram carregados para você: torch, nn, optim.

Este exercício faz parte do curso

Deep Learning para Texto com PyTorch

Ver curso

Instruções do exercício

Complete a classe GRU com os parâmetros necessários.
Inicialize o modelo com os mesmos parâmetros.
Treine o modelo: passe os parâmetros para a função de critério e faça a retropropagação da perda.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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()}')

Editar e executar o código