Kom igångKom igång gratis

Bygg en RNN-modell för text

Som dataanalytiker på PyBooks stöter du ofta på datamängder med sekventiell information, till exempel kundinteraktioner, tidsseriedata eller textdokument. RNN-modeller kan effektivt analysera och utvinna insikter ur sådan data. I den här övningen arbetar du med Newsgroup-datamängden, som redan har bearbetats och kodats åt dig. Datamängden innehåller artiklar från olika kategorier. Din uppgift är att använda ett RNN för att klassificera artiklarna i tre kategorier:

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

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

Dessutom har parametrarna input_size, hidden_size (32), num_layers (2) och num_classes förinstallerats åt dig.

Den här och efterföljande övningar använder datamängden fetch_20newsgroups från sklearn.

Den här övningen är en del av kursen

Djupinlärning för text med PyTorch

Visa kurs

Övningsinstruktioner

  • Komplettera RNN-klassen med ett RNN-lager och ett fully connected linjärt lager.
  • Initialisera modellen.
  • Träna RNN-modellen i tio epoker genom att nollställa gradienterna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Complete the RNN class
class RNNModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(RNNModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.rnn = ____.____(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = ____.____(hidden_size, num_classes)        
    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size)
        out, _ = self.rnn(x, h0)
        out = out[:, -1, :] 
        out = self.fc(out)
        return out

# Initialize the model
rnn_model = ____(input_size, hidden_size, num_layers, num_classes)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(rnn_model.parameters(), lr=0.01)

# Train the model for ten epochs and zero the gradients
for epoch in ____: 
    optimizer.____()
    outputs = ____(X_train_seq)
    loss = criterion(outputs, y_train_seq)
    loss.backward()
    optimizer.step()
    print(f'Epoch: {epoch+1}, Loss: {loss.item()}')
Redigera och kör kod