ПочатиПочніть безкоштовно

Створення моделі RNN для тексту

Як аналітик даних у PyBooks, ви часто працюєте з наборами даних, що містять послідовну інформацію: взаємодії з клієнтами, часові ряди або текстові документи. RNN дають змогу ефективно аналізувати такі дані та знаходити закономірності. У цій вправі ви попрацюєте з набором даних Newsgroup, який уже попередньо оброблено та закодовано. Цей набір містить статті з різних категорій. Ваше завдання — застосувати RNN, щоб класифікувати ці статті на три категорії:

rec.autos, sci.med та comp.graphics.

Для вас завантажено: torch, nn, optim.

Крім того, параметри input_size, hidden_size (32), num_layers (2) і num_classes уже підготовлено.

Ця та наступні вправи використовують набір даних fetch_20newsgroups зі sklearn.

Ця вправа є частиною курсу

Глибоке навчання для тексту з PyTorch

Переглянути курс

Інструкції до вправи

  • Доповніть клас RNN шаром RNN і повноз'єднаним лінійним шаром.
  • Ініціалізуйте модель.
  • Натренуйте модель RNN протягом десяти епох, щоразу обнуляючи градієнти.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()}')
Редагувати та запускати код