Trénování modelu
Věděl/a jsi, že v roce 2017 Google Translate denně obsluhoval více než 500 milionů uživatelů?
V této úloze natrénuješ svůj první model s Teacher Forcing. Teacher Forcing se běžně používá v sekvenčních modelech, jako je tvůj neuronový překladač, aby dosáhl lepšího výkonu.
K dispozici máš funkci sents2seqs(), anglické věty en_text a francouzské věty fr_text.
Toto cvičení je součástí kurzu
Machine Translation with Keras
Pokyny k cvičení
- Získej vstup dekodéru obsahující sekvence francouzských slov zakódované metodou one-hot (kromě posledního slova v každé sekvenci).
- Získej výstup dekodéru obsahující sekvence francouzských slov zakódované metodou one-hot (kromě prvního slova v každé sekvenci).
- Natrénuj model na jedné dávce dat.
- Získej vyhodnocovací metriky (ztrátu a přesnost) pro trénovací data
en_x,de_xade_y.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
n_epochs, bsize = 3, 250
for ei in range(n_epochs):
for i in range(0,data_size,bsize):
en_x = sents2seqs('source', en_text[i:i+bsize], onehot=True, reverse=True)
de_xy = sents2seqs('target', fr_text[i:i+bsize], onehot=True)
# Separate the decoder inputs from de_xy
de_x = ____[:,____,:]
# Separate the decoder outputs from de_xy
de_y = ____[____]
# Train the model on a single batch of data
nmt_tf.____([____,____], ____)
# Obtain the eval metrics for the training data
res = _____.evaluate([____,____], ____, batch_size=bsize, verbose=0)
print("{} => Train Loss:{}, Train Acc: {}".format(ei+1,res[0], res[1]*100.0))