EmpezarEmpieza gratis

Construye tu modelo LSTM

Ya has preparado tus secuencias de texto. ¡Es hora de construir tu modelo LSTM!

Recuerda que tus secuencias tenían 4 palabras cada una; el modelo se entrenará con las tres primeras palabras de cada secuencia para predecir la cuarta. Vas a usar una capa Embedding que, básicamente, aprenderá a convertir palabras en vectores con significado. Estos vectores se pasarán después a una LSTM sencilla. La salida será una capa Dense con tantas neuronas como palabras haya en el vocabulario y activación softmax. Esto es porque queremos obtener la palabra siguiente más probable entre todas las posibles.

El tamaño del vocabulario (el número de palabras únicas) está guardado en vocab_size.

Este ejercicio forma parte del curso

Introducción al Deep Learning con Keras

Ver curso

Instrucciones del ejercicio

  • Importa las capas Embedding, LSTM y Dense desde tensorflow.keras layers.
  • Añade una capa Embedding() del tamaño del vocabulario, que convierta palabras en vectores de 8 números y reciba secuencias de longitud 3.
  • Añade una capa LSTM() de 32 neuronas.
  • Añade una capa oculta Dense() de 32 neuronas y una capa de salida de vocab_size neuronas con softmax.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import the Embedding, LSTM and Dense layer
from tensorflow.keras.____ import ____, ____, ____

model = Sequential()

# Add an Embedding layer with the right parameters
model.add(____(input_dim = ____, input_length = ____, output_dim = ____, ))

# Add a 32 unit LSTM layer
model.add(____(____))

# Add a hidden Dense layer of 32 units and an output layer of vocab_size with softmax
model.add(Dense(____, activation='relu'))
model.add(Dense(____, activation=____))
model.summary()
Editar y ejecutar código