2.ª parte: Definición del modelo completo
¿Sabías que se necesitaron alrededor de 6 días y 96 GPU para entrenar una variante del traductor automático neuronal de Google solo para la traducción del inglés al francés?
En este ejercicio definirás un modelo de traducción automática neuronal basado en codificador-decodificador similar, pero mucho más sencillo. En concreto, utilizarás las entradas y salidas definidas anteriormente y definirás un objeto Keras Model y compilarás el modelo con una función de pérdida y un optimizador determinados.
Aquí se te proporcionan en_inputs (capa de entrada del codificador), en_out y en_state (salida GRU del codificador), de_out (salida GRU del decodificador) y de_pred (predicción del decodificador) que has definido anteriormente.
Este ejercicio forma parte del curso
Traducción automática con Keras
Instrucciones del ejercicio
- Define un Keras
Modelque toma como entradas elen_inputsy como salida las predicciones del decodificador (de_pred). - Compila el modelo definido llamando a
<model>.compilecon el optimizador'adam', la pérdida de entropía cruzada y la precisión (acc) como métrica. - Imprime el resumen del modelo.
Ejercicio interactivo práctico
Prueba este ejercicio completando el código de muestra.
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.____()