CommencezCommencez gratuitement

Générer une phrase avec contexte

Dans cet exercice, vous allez expérimenter un modèle préentraîné pour la génération de texte. Le modèle est déjà chargé dans l'environnement dans la variable model, tout comme les fonctions initialize_params() et get_next_token().

Cette dernière utilise le modèle préentraîné pour prédire le prochain caractère et retourne trois variables : le prochain caractère next_char, la phrase mise à jour res et le texte décalé seq qui servira à prédire le suivant.

Vous allez définir une fonction qui reçoit en entrée un modèle préentraîné et une chaîne de caractères représentant le début de la phrase à générer. C'est une bonne pratique pour générer du texte avec contexte. La limite de 100 caractères pour la phrase n'est qu'un exemple; vous pouvez utiliser d'autres limites (ou même aucune) dans vos applications.

Cette activité fait partie du cours

Réseaux de neurones récurrents (RNN) pour la modélisation du langage avec Keras

Voir le cours

Instructions de l’exercice

  • Passez la variable initial_text à la fonction initialize_params().
  • Créez des conditions pour arrêter la boucle lorsque le compteur atteint 100 ou lorsqu'un point (r'.') est trouvé.
  • Passez les valeurs initiales res, seq à la fonction get_next_token() pour obtenir le prochain caractère.
  • Affichez la phrase d'exemple générée par la fonction définie.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

def generate_phrase(model, initial_text):
    # Initialize variables  
    res, seq, counter, next_char = initialize_params(____)
    
    # Loop until stop conditions are met
    while counter < ____ ____ next_char != r'.':
      	# Get next char using the model and append to the sentence
        next_char, res, seq = get_next_token(model, ____, ____)
        # Update the counter
        counter = counter + 1
    return res
  
# Create a phrase
print(____(model, "I am not insane, "))
Modifier et exécuter le code