Wytrenować klasyfikator tekstu
Osadzać, agregować i przewidywać wydźwięk
Wytrenować klasyfikator tekstu to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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 sequenceStep 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. ✅
Często zadawane pytania
Czy lekcja „Wytrenować klasyfikator tekstu” jest bezpłatna?
Tak — pełny tekst „Wytrenować klasyfikator tekstu” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Wytrenować klasyfikator tekstu”?
Osadzać, agregować i przewidywać wydźwięk Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „Wytrenować klasyfikator tekstu”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Tokenizacja i budowanie słownika
- nn.Embedding: uczone wektory słów
- Dlaczego embeddingi przechwytują znaczenie
- Wytrenować klasyfikator tekstu