Část 2: Definice celého modelu

Věděl/a jsi, že trénování jedné varianty Google Neural Machine Translator jen na překlad z angličtiny do francouzštiny trvalo přibližně 6 dní a vyžadovalo 96 GPU?

V tomto cvičení definuješ podobný, ale výrazně jednodušší model strojového překladače typu encoder-decoder. Konkrétně využiješ dříve definované vstupy a výstupy, vytvoříš objekt Keras Model a model zkompilovaný se zadanou ztrátovou funkcí a optimalizátorem.

Máš k dispozici proměnné en_inputs (vstupní vrstva enkodéru), en_out a en_state (výstup GRU enkodéru), de_out (výstup GRU dekodéru) a de_pred (predikce dekodéru), které jsi definoval/a dříve.

Toto cvičení je součástí kurzu

Machine Translation with Keras

Zobrazit kurz

Pokyny k cvičení

Definuj Keras Model, který přijímá en_inputs jako vstup a predikce dekodéru (de_pred) jako výstup.
Zkompiluj definovaný model voláním <model>.compile s optimalizátorem 'adam', ztrátovou funkcí křížové entropie a přesností (acc) jako metrikou.
Vytiskni souhrn modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from tensorflow.keras.models import Model
# Define a model with encoder input and decoder output
nmt = ____(____=____, outputs=____)

# Compile the model with an optimizer and a loss
nmt.____(optimizer=____, ____='categorical_crossentropy', metrics=[____])

# View the summary of the model 
nmt.____()

Upravit a spustit kód