เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การสร้างโมเดล GRU สำหรับข้อความ

ที่ PyBooks ทีมงานประทับใจกับประสิทธิภาพของโมเดลทั้งสองที่คุณเทรนไปก่อนหน้านี้ อย่างไรก็ตาม เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด พวกเขาต้องการสำรวจความสามารถของโมเดล GRU ซึ่งเป็นที่รู้จักในด้านประสิทธิภาพและความแม่นยำสำหรับงาน text classification จึงได้มอบหมายให้คุณนำโมเดล GRU มาใช้จัดหมวดหมู่บทความจากชุดข้อมูล Newsgroup ออกเป็นหมวดหมู่ต่อไปนี้:

rec.autos, sci.med และ comp.graphics

แพ็กเกจต่อไปนี้ถูกโหลดไว้ให้แล้ว: torch, nn, optim

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning สำหรับข้อความด้วย PyTorch

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เติมคลาส GRU ด้วยพารามิเตอร์ที่จำเป็น
  • สร้างอินสแตนซ์ของโมเดลด้วยพารามิเตอร์เดียวกัน
  • เทรนโมเดล: ส่งพารามิเตอร์ไปยังฟังก์ชัน criterion และทำการ backpropagate ค่า loss

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Complete the GRU model
class GRUModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(GRUModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.gru = ____
        self.fc = nn.Linear(hidden_size, num_classes)       
    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size) 
        out, _ = self.gru(x, h0)
        out = out[:, -1, :] 
        out = self.fc(out)
        return out

# Initialize the model
gru_model = ____
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(gru_model.parameters(), lr=0.01)

# Train the model and backpropagate the loss after initialization
for epoch in range(15): 
    optimizer.zero_grad()
    outputs = ____
    loss = criterion(____, y_train_seq)
    ____
    optimizer.step()
    print(f'Epoch: {epoch+1}, Loss: {loss.item()}')
แก้ไขและรันโค้ด