ÎncepețiÎncepe gratuit

Construirea unui model LSTM pentru text

La PyBooks, echipa caută în permanență să îmbunătățească experiența utilizatorilor, valorificând cele mai recente progrese tehnologice. În acest spirit, ți-a fost atribuită o sarcină importantă. Echipa dorește să explorezi potențialul unui alt instrument puternic: LSTM, cunoscut pentru capacitatea sa de a surprinde complexități mai mari în tipare de date. Lucrezi cu același set de date Newsgroup, iar obiectivul rămâne același: clasificarea articolelor de știri în trei categorii distincte:

rec.autos, sci.med și comp.graphics.

Următoarele pachete au fost încărcate pentru tine: torch, nn, optim.

Acest exercițiu face parte din cursul

Deep Learning pentru text cu PyTorch

Vezi cursul

Instrucțiuni pentru exercițiu

  • Configurează un model LSTM completând straturile LSTM și liniar cu parametrii necesari.
  • Inițializează modelul cu parametrii necesari.
  • Antrenează modelul LSTM resetând gradienții la zero și trecând datele de intrare X_train_seq prin model.
  • Calculează pierderea pe baza valorilor outputs prezise și a etichetelor reale.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()}')
Editează și rulează codul