Descifra tus predicciones

Tu LSTM model ya ha sido entrenado (detalles en el mensaje de éxito del ejercicio anterior) para que no tengas que esperar. Es hora de definir una función que descifre sus predicciones. El model entrenado se pasará como parámetro por defecto a esta función.

Dado que estás prediciendo en un modelo que utiliza la función softmax, se puede utilizar argmax() de numpy para obtener el índice/posición que representa la siguiente palabra más probable del vector de salida de probabilidades.

La página tokenizer que previamente ha creado y ajustado, se carga para usted. Utilizará su diccionario interno index_word para convertir la predicción de la siguiente palabra de model(que es un número entero) en la palabra escrita que representa.

¡Estás muy cerca de experimentar con tu modelo!

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo con Keras

Instrucciones del ejercicio

Utilice texts_to_sequences() para convertir el parámetro test_text en una secuencia de números.
Obtenga la predicción de la siguiente palabra del modelo pasando test_seq. El índice/posición que representa la palabra con mayor probabilidad se obtiene llamando a .argmax(axis=1)[0] en el array numpy de predicciones.
Devuelve la palabra que corresponde a la predicción utilizando el diccionario index_word del tokenizador.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

def predict_text(test_text, model = model):
  if len(test_text.split()) != 3:
    print('Text input should be 3 words!')
    return False
  
  # Turn the test_text into a sequence of numbers
  test_seq = tokenizer.texts_to_sequences([____])
  test_seq = np.array(test_seq)
  
  # Use the model passed as a parameter to predict the next word
  pred = ____.predict(____).argmax(axis = 1)[0]
  
  # Return the word that maps to the prediction
  return tokenizer.____[____]

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo con Keras

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

En este primer capítulo, conocerá las redes neuronales, comprenderá qué tipo de problemas pueden resolver y cuándo utilizarlas. También construirás varias redes y salvarás la Tierra entrenando un modelo de regresión que se aproxima a la órbita de un meteorito que se acerca a nosotros.

Exercise 1: ¿Qué es Keras?Exercise 2: Descripción de Keras Exercise 3: ¿Utilizaría el aprendizaje profundo?Exercise 4: Su primera red neuronal Exercise 5: ¡Hola redes!Exercise 6: Parámetros de recuento Exercise 7: ¡Construir como se muestra!Exercise 8: Sobrevivir a un impacto de meteorito Exercise 9: Especificar un modelo Exercise 10: Formación Exercise 11: Predecir la órbita

Al final de este capítulo, sabrá cómo resolver problemas binarios, multiclase y multietiqueta con redes neuronales. Todo ello resolviendo problemas como detectar billetes de dólar falsos, decidir quién lanzó qué dardo a un tablero y construir un sistema inteligente para regar su granja. También podrás trazar las métricas de entrenamiento del modelo y detener el entrenamiento y guardar tus modelos cuando ya no mejoren.

Exercise 1: Clasificación binaria Exercise 2: Explorar los billetes de dólar Exercise 3: Un modelo de clasificación binaria Exercise 4: ¿Este billete de dólar es falso?Exercise 5: Clasificación multiclase Exercise 6: Un modelo multiclase Exercise 7: Prepare su conjunto de datos Exercise 8: Formación sobre lanzadores de dardos Exercise 9: Predicciones Softmax Exercise 10: Clasificación multietiqueta Exercise 11: Una máquina de riego Exercise 12: Entrenamiento con varias etiquetas Exercise 13: Devoluciones de llamada de Keras Exercise 14: Llamada de retorno al historial Exercise 15: Parada anticipada de su modelo Exercise 16: Una combinación de devoluciones de llamada

En los capítulos anteriores has entrenado a un montón de modelos. Ahora aprenderá a interpretar las curvas de aprendizaje para comprender sus modelos a medida que se entrenan. También visualizará los efectos de las funciones de activación, los tamaños de lote y la normalización de lotes. Por último, aprenderá a realizar la optimización automática de hiperparámetros a sus modelos Keras utilizando sklearn.

Exercise 1: Curvas de aprendizaje Exercise 2: Aprender los dígitos Exercise 3: ¿Está el modelo sobreajustado?Exercise 4: ¿Necesitamos más datos?Exercise 5: Funciones de activación Exercise 6: Diferentes funciones de activación Exercise 7: Comparación de funciones de activación Exercise 8: Comparación de funciones de activación II Exercise 9: Tamaño del lote y normalización del lote Exercise 10: Modificación del tamaño de los lotes Exercise 11: Normalización por lotes de un modelo conocido Exercise 12: Efectos de la normalización por lotes Exercise 13: Ajuste de hiperparámetros Exercise 14: Preparar un modelo para el ajuste Exercise 15: Ajuste de los parámetros del modelo Exercise 16: Entrenamiento con validación cruzada

Es hora de introducirse en arquitecturas más avanzadas. Creará un autocodificador para reconstruir imágenes ruidosas, visualizará activaciones de redes neuronales convolucionales, utilizará modelos profundos preentrenados para clasificar imágenes y aprenderá más sobre redes neuronales recurrentes y a trabajar con texto mientras construye una red que predice la siguiente palabra de una frase.

Exercise 1: Tensores, capas y autocodificadores Exercise 2: Es un flujo de tensores Exercise 3: Separación neuronal Exercise 4: Construir un autocodificador Exercise 5: Eliminación de ruido como un autocodificador Exercise 6: Introducción a CNNs Exercise 7: Creación de un modelo CNN Exercise 8: Observar las circunvoluciones Exercise 9: Preparación de la imagen de entrada Exercise 10: Utilizar un modelo del mundo real Exercise 11: Introducción a LSTMs Exercise 12: Predicción de texto con LSTMs Exercise 13: Construya su modelo LSTM Exercise 14: Descifra tus predicciones

Ejercicio actual

Exercise 15: Pruebe su modelo Exercise 16: ¡Ya está!