Kom igångKom igång gratis

Träna och testa Transformer-modellen

Nu när TransformerEncoder-modellen är på plats är nästa steg för PyBooks att träna modellen på exempelrecensioner och utvärdera dess prestanda. Träning på dessa exempelrecensioner hjälper PyBooks att förstå sentimenttrender i sitt stora recensionsarkiv. Med en välpresterande modell kan PyBooks automatisera sentimentanalys och ge läsarna insiktsfulla rekommendationer och återkoppling.

Följande paket har importerats åt dig: torch, nn, optim.

Instansen model av klassen TransformerEncoder, token_embeddings samt train_sentences, train_labels, test_sentences och test_labels är förhandsladdade åt dig.

Den här övningen är en del av kursen

Djupinlärning för text med PyTorch

Visa kurs

Övningsinstruktioner

  • Dela upp meningarna i tokens i träningsloopen och stapla inbäddningarna.
  • Nollställ gradienterna och utför ett bakåtpass.
  • Inaktivera gradientberäkningarna i funktionen predict och hämta sedan sentimentförutsägelsen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

for epoch in range(5):  
    for sentence, label in zip(train_sentences, train_labels):
        # Split the sentences into tokens and stack the embeddings
        tokens = ____
        data = torch.____([token_embeddings[token] for token in ____], dim=1)
        output = model(data)
        loss = criterion(output, torch.tensor([label]))
        # Zero the gradients and perform a backward pass
        optimizer.____()
        loss.____()
        optimizer.step()
        print(f"Epoch {epoch}, Loss: {loss.item()}")

def predict(sentence):
    model.eval()
    # Deactivate the gradient computations and get the sentiment prediction.
    with torch.____():
        tokens = sentence.split()
        data = torch.stack([token_embeddings.get(token, torch.rand((1, 512))) for token in tokens], dim=1)
        output = model(data)
        predicted = torch.____(output, dim=1)
        return "Positive" if predicted.item() == 1 else "Negative"

sample_sentence = "This product can be better"
print(f"'{sample_sentence}' is {predict(sample_sentence)}")
Redigera och kör kod