Kom igångKom igång gratis

Bygga en LSTM-modell för text

På PyBooks arbetar teamet ständigt med att förbättra användarupplevelsen genom att ta tillvara på de senaste framstegen inom tekniken. I linje med den visionen har de gett dig en viktig uppgift. Teamet vill att du undersöker potentialen hos ytterligare ett kraftfullt verktyg: LSTM, som är känt för att fånga upp mer komplexa mönster i data. Du arbetar med samma Newsgroup-datamängd och målet är detsamma: att klassificera nyhetsartiklar i tre distinkta kategorier:

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

Följande paket har laddats in åt dig: torch, nn, optim.

Den här övningen är en del av kursen

Djupinlärning för text med PyTorch

Visa kurs

Övningsinstruktioner

  • Konfigurera en LSTM-modell genom att fylla i LSTM- och linjärlagren med nödvändiga parametrar.
  • Initiera modellen med de nödvändiga parametrarna.
  • Träna LSTM-modellen genom att nollställa gradienterna och skicka indatan X_train_seq genom modellen.
  • Beräkna förlusten baserat på de predikterade outputs och de sanna etiketterna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()}')
Redigera och kör kod