GRU pytorch 文本分类

GRU（Gated Recurrent Unit）是一种循环神经网络（RNN）的变体，用于处理序列数据。在PyTorch中，你可以使用`torch.nn.GRU`类来创建GRU模型进行文本分类。

下面是一个简单的示例代码，演示如何使用GRU进行文本分类：

import torch
import torch.nn as nn

class GRUClassifier(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(GRUClassifier, self).__init__()
        self.hidden_size = hidden_size
        self.gru = nn.GRU(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, num_classes)
    
    def forward(self, x):
        h0 = torch.zeros(1, x.size(0), self.hidden_size).to(x.device)  # 初始化隐藏状态
        out, _ = self.gru(x, h0)  # 前向传播
        out = self.fc(out[:, -1, :])  # 取最后一个时间步的输出
        return out

# 定义模型参数
input_size = 100  # 输入特征大小
hidden_size = 128  # 隐藏层大小
num_classes = 2  # 分类类别数

# 创建一个GRU分类器模型
model = GRUClassifier(input_size, hidden_size, num_classes)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 进行模型训练
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 使用训练好的模型进行预测
predicted = model(inputs)

以上代码中，我们首先定义了一个名为`GRUClassifier`的自定义模型类，该类继承自`nn.Module`。在模型的构造函数中，我们定义了GRU层和全连接层。在前向传播函数中，我们将输入数据传递给GRU层，然后取最后一个时间步的输出作为分类器的输入，并返回预测结果。

你可以根据自己的数据集和任务需求调整模型的各个参数。希望这个示例能对你有所帮助！如果有任何问题，请随时提问。