0Pricing
Deep Learning Academy · Lektion

Einen Textklassifikator trainieren

Erzeugen Sie Embeddings, poolen Sie sie und sagen Sie die Stimmung voraus.

Einen Textklassifikator trainieren ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.

Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.

The Goal: Predict a Label

A text classifier reads a sentence and predicts a label, like positive or negative sentiment for a movie review. 🎬

Step One: Encode the Text

Reuse your pipeline: tokenize each review and map tokens to ids, turning every sentence into a list of integers.

Step Two: Embed the Ids

Feed those ids into an embedding layer. Each review becomes a sequence of dense word vectors the model can process.

self.emb = nn.Embedding(vocab_size, 32)

Step Three: Pool the Vectors

A sentence has many vectors but you need one. Pooling, often a mean over the words, collapses them into a single vector.

pooled = vecs.mean(dim=1)  # average over the sequence

Step Four: A Linear Head

Send the pooled vector through a linear layer to produce one score per class. These raw scores are called logits.

self.fc = nn.Linear(32, num_classes)

Assemble the Model

Stack embed, pool, and the linear head in a forward method. That is a complete, tiny text classifier.

def forward(self, ids):
    x = self.emb(ids).mean(dim=1)
    return self.fc(x)

Pick the Loss

For multiclass labels use cross-entropy loss. It expects raw logits and the integer class index as the target.

loss_fn = nn.CrossEntropyLoss()

Choose an Optimizer

An optimizer like Adam updates the embedding and linear weights together as it minimizes the loss.

opt = torch.optim.Adam(model.parameters(), lr=1e-3)

The Training Loop

For each batch: forward, compute loss, backward, and step. Repeat over the data for several epochs.

logits = model(ids)
loss = loss_fn(logits, labels)
loss.backward()
opt.step()

Make a Prediction

At inference, take the class with the highest logit using argmax to get the predicted label for new text.

pred = model(ids).argmax(dim=1)

Measure Accuracy

Compare predictions to true labels to compute accuracy. Watch it climb as the embedding learns sentiment patterns.

Quick Check

In this classifier, what turns a sequence of word vectors into one vector?

Recap

You embed ids, pool them into one vector, classify with a linear head, and train with cross-entropy to label text. ✅

Häufig gestellte Fragen

Ist die Lektion „Einen Textklassifikator trainieren“ kostenlos?

Ja — der vollständige Text von „Einen Textklassifikator trainieren“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Einen Textklassifikator trainieren“?

Erzeugen Sie Embeddings, poolen Sie sie und sagen Sie die Stimmung voraus. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Deep Learning Academy zu starten?

Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.

Wie lange dauert die Lektion „Einen Textklassifikator trainieren“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?

Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

  1. Tokenisieren und ein Vokabular erstellen
  2. nn.Embedding: Lernbare Wortvektoren
  3. Warum Embeddings Bedeutung erfassen
  4. Einen Textklassifikator trainieren
← Zurück zu Deep Learning Academy