ПочатиПочніть безкоштовно

Створення моделі GRU для тексту

У PyBooks команда захоплена результатами двох моделей, які ви раніше натренували. Проте, прагнучи найкращої якості, вони хочуть обрати абсолютно найкращу модель для поточного завдання. Тому вас просять розширити проєкт і поекспериментувати з можливостями моделей GRU, відомих своєю ефективністю у задачах класифікації текстів. Ваше нове завдання — застосувати модель GRU, щоб класифікувати статті з набору Newsgroup за такими категоріями:

rec.autos, sci.med та comp.graphics.

Для вас уже імпортовано пакети: torch, nn, optim.

Ця вправа є частиною курсу

Глибоке навчання для тексту з PyTorch

Переглянути курс

Інструкції до вправи

  • Доповніть клас GRU необхідними параметрами.
  • Ініціалізуйте модель з тими самими параметрами.
  • Натренуйте модель: передайте параметри у функцію критерію та виконайте зворотне поширення помилки.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()}')
Редагувати та запускати код