НачатьНачать бесплатно

Построение модели LSTM для текста

В компании PyBooks команда постоянно стремится улучшать пользовательский опыт, используя новейшие достижения технологий. В рамках этой стратегии вам поручена важная задача. Команда хочет изучить возможности ещё одного мощного инструмента — LSTM, который способен улавливать более сложные закономерности в данных. Вы работаете с тем же набором данных Newsgroup, и цель остаётся прежней: классифицировать новостные статьи на три категории:

rec.autos, sci.med и comp.graphics.

Для вас уже загружены следующие пакеты: torch, nn, optim.

Это упражнение является частью курса

Глубокое обучение для работы с текстом на PyTorch

Посмотреть курс

Инструкции к упражнению

  • Настройте модель LSTM, заполнив слои LSTM и линейный слой необходимыми параметрами.
  • Инициализируйте модель с нужными параметрами.
  • Обучите модель LSTM: обнулите градиенты и пропустите входные данные X_train_seq через модель.
  • Вычислите функцию потерь на основе предсказанных значений outputs и истинных меток.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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()}')
Редактировать и запускать код