Deep Learning Academy · Урок

Обучите классификатор текста

Преобразуйте текст в embedding, выполните pooling и предскажите тональность

«Обучите классификатор текста» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

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. ✅

Часто задаваемые вопросы

Урок «Обучите классификатор текста» бесплатный?

Да — полный текст урока «Обучите классификатор текста» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.

Чему я научусь в уроке «Обучите классификатор текста»?

Преобразуйте текст в embedding, выполните pooling и предскажите тональность Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать Deep Learning Academy?

Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.

Сколько времени занимает урок «Обучите классификатор текста»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке Deep Learning Academy?

Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

← Назад к Deep Learning Academy