Latih Pengklasifikasi Teks
Sematkan, lakukan pooling, dan prediksi sentimen
Latih Pengklasifikasi Teks adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Tujuan: Memprediksi Label
Pengklasifikasi teks membaca kalimat dan memprediksi label, seperti sentimen positif atau negatif untuk ulasan film. 🎬
Langkah Satu: Menyandikan Teks
Gunakan kembali pipeline Anda: lakukan tokenisasi pada setiap ulasan dan petakan token ke id, sehingga setiap kalimat menjadi daftar bilangan bulat.
Langkah Dua: Membuat Embedding untuk Id
Masukkan id tersebut ke lapisan embedding. Setiap ulasan menjadi rangkaian vektor kata padat yang dapat diproses model.
self.emb = nn.Embedding(vocab_size, 32)Langkah Tiga: Menggabungkan Vektor
Sebuah kalimat memiliki banyak vektor, tetapi Anda memerlukan satu. Penggabungan, yang sering berupa mean atas kata-kata, merangkumnya menjadi satu vektor.
pooled = vecs.mean(dim=1) # average over the sequenceLangkah Empat: Kepala Linear
Lewatkan vektor yang telah digabungkan melalui lapisan linear untuk menghasilkan satu skor per kelas. Skor mentah ini disebut logit.
self.fc = nn.Linear(32, num_classes)Menyusun Model
Susun embed, penggabungan, dan kepala linear dalam metode forward. Itulah pengklasifikasi teks kecil yang lengkap.
def forward(self, ids):
x = self.emb(ids).mean(dim=1)
return self.fc(x)Memilih Loss
Untuk label multikelas, gunakan loss cross-entropy. Loss ini mengharapkan logit mentah dan indeks kelas bilangan bulat sebagai target.
loss_fn = nn.CrossEntropyLoss()Memilih Pengoptimal
Pengoptimal seperti Adam memperbarui bobot embedding dan linear secara bersamaan saat meminimalkan loss.
opt = torch.optim.Adam(model.parameters(), lr=1e-3)Siklus Pelatihan
Untuk setiap batch: lakukan forward, hitung loss, lakukan backward, lalu step. Ulangi pada data selama beberapa epoch.
logits = model(ids)
loss = loss_fn(logits, labels)
loss.backward()
opt.step()Membuat Prediksi
Saat inferensi, ambil kelas dengan logit tertinggi menggunakan argmax untuk memperoleh label prediksi bagi teks baru.
pred = model(ids).argmax(dim=1)Mengukur Akurasi
Bandingkan prediksi dengan label sebenarnya untuk menghitung akurasi. Perhatikan akurasi meningkat saat embedding mempelajari pola sentimen.
Pemeriksaan Singkat
Dalam pengklasifikasi ini, apa yang mengubah rangkaian vektor kata menjadi satu vektor?
Rangkuman
Anda membuat embedding dari id, menggabungkannya menjadi satu vektor, melakukan klasifikasi dengan kepala linear, lalu melatihnya dengan cross-entropy untuk memberi label pada teks. ✅
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Latih Pengklasifikasi Teks” gratis?
Ya — teks lengkap “Latih Pengklasifikasi Teks” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Latih Pengklasifikasi Teks”?
Sematkan, lakukan pooling, dan prediksi sentimen Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Latih Pengklasifikasi Teks” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Tokenisasi dan Bangun Kosakata
- nn.Embedding: Vektor Kata yang Dapat Dipelajari
- Mengapa Embedding Menangkap Makna
- Latih Pengklasifikasi Teks