python.py

import torch
import torch.nn as nn
import torch.optim as optim
class TextFilter(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(TextFilter, self).__init__()
        self.hidden_size = hidden_size
        self.embedding = nn.Embedding(input_size, hidden_size)
        self.gru = nn.GRU(hidden_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)
        self.sigmoid = nn.Sigmoid()
    def forward(self, input):
        embedded = self.embedding(input).view(1, 1, -1)
        output, hidden = self.gru(embedded)
        output = self.fc(output[0])
        output = self.sigmoid(output)
        return output, hidden
    def init_hidden(self):
        return torch.zeros(1, 1, self.hidden_size)
input_size = # размер словаря
hidden_size = 256 # размер скрытого слоя
output_size = 1 # размер выходного слоя (плохое слово / не плохое слово)
model = TextFilter(input_size, hidden_size, output_size)
criterion = nn.BCELoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)
# Обучение модели
def train(text, label):
    hidden = model.init_hidden()
    model.zero_grad()
    for i in range(text.size()[0]):
        output, hidden = model(text[i], hidden)
    loss = criterion(output, label)
    loss.backward()
    optimizer.step()
    return output, loss.item()
# Пример использования модели
text = torch.tensor([1, 2, 3, 4, 5]) # предложение в виде списка индексов слов
label = torch.tensor([1]) # метка класса (1 - плохое слово, 0 - не плохое слово)
output, loss = train(text, label)
print(output)