Teil 2: Das komplette Modell festlegen
Wusstest du, dass es etwa 6 Tage und 96 GPUs gebraucht hat, um eine Variante des Google Neural Machine Translators nur für die Übersetzung vom Englischen ins Französische zu trainieren?
In dieser Übung wirst du ein ähnliches, aber viel einfacheres neuronales Übersetzungsmodell mit Encoder und Decoder aufbauen. Konkret wirst du die zuvor definierten Eingaben und Ausgaben verwenden, ein Keras-Modellobjekt definieren und das Modell mit einer vorgegebenen Verlustfunktion und einem Optimierer kompilieren.
Hier hast du die zuvor definierten Dateien „ en_inputs “ (Encoder-Eingabeschicht), „ en_out “ und „ en_state “ (Encoder-GRU-Ausgabe), „ de_out “ (Decoder-GRU-Ausgabe) und „ de_pred “ (Decoder-Vorhersage).
Diese Übung ist Teil des Kurses
Maschinelle Übersetzung mit Keras
Anleitung zur Übung
- Definiere ein Keras-
Model, das dieen_inputsals Eingaben und die Decoder-Vorhersagen (de_pred) als Ausgabe nimmt. - Kompiliere das definierte Modell, indem du „
<model>.compile“ mit dem Optimierer „'adam'“, dem Verlust „cross entropy loss“ und der Genauigkeit „accuracy“ (acc) als Metrik aufrufst. - Druck die Zusammenfassung des Modells aus.
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
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.____()