Entrenamiento del modelo
¿Sabías que en 2017, Google Translate prestó servicio a más de 500 millones de usuarios al día?
Aquí entrenarás tu primer modelo Teacher Forced. El «Teacher Forcing» se utiliza habitualmente en modelos secuencia a secuencia, como tu traductor automático neuronal, para lograr un mejor rendimiento.
Se te proporcionará la función « sents2seqs() », frases en inglés en_text y frases en francés fr_text.
Este ejercicio forma parte del curso
Traducción automática con Keras
Instrucciones del ejercicio
- Obtén la entrada del decodificador que contiene las secuencias codificadas en onehot de palabras francesas (excepto la última palabra de cada secuencia).
- Obtener la salida del decodificador que contiene las secuencias codificadas en onehot de palabras francesas (excepto la primera palabra de cada secuencia).
- Entrena el modelo con un único lote de datos.
- Obtener las métricas de evaluación (pérdida y precisión) para los datos de entrenamiento
en_x,de_xyde_y.
Ejercicio interactivo práctico
Prueba este ejercicio completando el código de muestra.
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))