38、循环神经网络（RNN）与门控循环单元（GRUs）深入解析

循环神经网络（RNN）与门控循环单元（GRUs）深入解析

1. 模型配置与训练

1.1 模型初始化

首先，我们创建一个用于二分类问题的模型实例、对应的损失函数和优化器：

import torch
import torch.nn as nn
import torch.optim as optim

torch.manual_seed(21)
model = SquareModel(n_features=2, hidden_dim=2, n_outputs=1)
loss = nn.BCEWithLogitsLoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

1.2 模型训练

接着，我们对模型进行 100 个 epoch 的训练，可视化损失，并评估其在测试数据上的准确性：

sbs_rnn = StepByStep(model, loss, optimizer)
sbs_rnn.set_loaders(train_loader, test_loader)
sbs_rnn.train(100)
fig = sbs_rnn.plot_losses()

通过以下代码评估模型在测试数据上的准确性：

StepByStep.loader_apply(test_loader, sbs_rnn.correct)