Notebook：情感分析 RNN

下面的几个视频将介绍如何实现一个将影评分类为正面或负面影评的完整 RNN。

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 sentiment-rnn 文件夹里的 Sentiment_RNN_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

• 加载文本数据
• 预处理数据，用整数表示字符
• 填充数据，使每条影评都是标准长度
• 定义一个包含隐藏层和 LSTM 层的 RNN，它会预测影评的情感
• 训练该 RNN
• 查看该 RNN 在测试数据上的效果

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。