متن فارسی را نرمالسازی و یک دستهبند احساسات بساز
Learning Quest · NLP
صورت مسئله
معماری را با اندازه داده هماهنگ کن و زیان را در چند گام ثبت کن، نه فقط در پایان.
آزمونهای پذیرش
- آموزش چند گام
- زیان کاهشی
- داده نامتوازن
اینها معیارهای پیشنهادی ارزیابیاند؛ ذخیره پاسخ به معنای قبولی در آزمون خودکار نیست.
نمونه راهحل
import torch
X = torch.randn(200, 8)
y = (X.sum(dim=1) > 0).float().unsqueeze(1)
model = torch.nn.Sequential(
torch.nn.Linear(8, 16),
torch.nn.ReLU(),
torch.nn.Linear(16, 1),
)
loss_fn = torch.nn.BCEWithLogitsLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
for step in range(200):
optimizer.zero_grad()
loss = loss_fn(model(X), y)
loss.backward()
optimizer.step()
print(round(float(loss), 4))خروجی
هنوز کدی اجرا نشده است.
کد شما با مفسر واقعی Python (Pyodide) در مرورگر اجرا میشود و فایلهای پروژه بین اجراها و بین ادیتور و ترمینال مشترکاند. بستههای سازگار با Pyodide هنگام اجرا بارگیری میشوند؛ دسترسی به فایل واقعی دستگاه، شبکه و پوسته سیستمعامل وجود ندارد.
راهنمای تمرین
- فایلهای داده را با نام نسبی مثل
data.csvبخوان. - برای بستهها از
pip install numpyدر ترمینال استفاده کن. - حالتهای مرزی و خطاها را در فایل جداگانه آزمون کن.