训练用于文本的 CNN 模型

很好，您已经定义了 TextClassificationCNN 类。现在 PyBooks 需要训练该模型，以便针对图书评论的情感分析进行优化。

我们已为您导入以下包： torch、将 torch.nn 导入为 nn、将 torch.nn.functional 导入为 F、将 torch.optim 导入为 optim。

还已根据参数 vocab_size 和 embed_dim 实例化了一个 TextClassificationCNN()，并保存为 model。

本练习是课程的一部分

使用 PyTorch 的文本深度学习

查看课程

练习说明

定义用于二分类的损失函数，并保存为 criterion。
在训练循环开始时将梯度清零。
在循环结束时更新参数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Define the loss function
criterion = nn.____()
optimizer = optim.SGD(model.parameters(), lr=0.1)

for epoch in range(10):
    for sentence, label in data:     
        # Clear the gradients
        model.____()
        sentence = torch.LongTensor([word_to_ix.get(w, 0) for w in sentence]).unsqueeze(0) 
        label = torch.LongTensor([int(label)])
        outputs = model(sentence)
        loss = criterion(outputs, label)
        loss.backward()
        # Update the parameters
        ____.____()
print('Training complete!')

编辑并运行代码