Notebook：Word2Vec，负采样

下面你需要使用 SkipGram 结构和负采样改善 Word2Vec 模型并加快训练速度。

建议使用当前标签页观看课程，同时用新标签页打开 notebook，边学习边操作。这样可以一边学习新技能，一边编写代码/运用新技能。

打开 notebook 的方法：

• 直接在课堂里在线打开（推荐）
• 从 Github 克隆代码库，再打开 word2vec-embeddings 文件夹里的 notebook Negative_Sampling_Exercise.ipynb。你可以使用 git clone https://github.com/udacity/deep-learning-v2-pytorch.git 下载代码库，或从此链接下载归档文件。

说明

• 定义一个新的模型，它有两个嵌入层和多个 forward 函数
• 定义一个自定义损失，它会从噪点分布中抽取输出字词
• 训练 RNN（快速训练）
• 可视化在嵌入层中学习的嵌入向量

这是一个自我评估 Lab。如果你需要帮助或想参考答案，请查看同一文件夹里的 solution notebook，或点击此处。

GPU Workspace

下个 workspace 支持 GPU，所以你可以选择在 GPU 实例上训练模型。建议做法：

• 在 CPU 模式（非启用模式）下加载数据、测试函数和模型（检查参数并执行简短的训练循环）
• 准备好大规模地训练和测试模型时，启用 GPU 以快速训练模型

当做输入的所有模型和数据都必须移到 GPU 设备上，所以请注意模型创建和训练流程中的相关移动代码。