Comprendre les résultats d'un modèle séquentiel
Dans cet exercice, vous apprendrez à utiliser la couche keras.layers.GRU. keras.layers.GRU encapsule de manière élégante les fonctionnalités d'un GRU dans un objet Layer.
Vous allez découvrir à quoi ressemble la forme de la sortie d'une couche GRU et comment elle change lorsque différents arguments sont fournis. Il est rare de voir les vecteurs numériques produits par un GRU dans la vie réelle, mais pour utiliser ces couches dans des modèles plus complexes, il est nécessaire de bien comprendre les formes des sorties et comment obtenir la sortie souhaitée à l'aide de divers arguments.
Ici, vous trouverez déjà keras et numpy (sous le nom np). Vous pouvez accéder aux couches en appelant keras.layers.<Layer> ou à un modèle en appelant keras.models.Model.
Cet exercice fait partie du cours
Traduction automatique avec Keras
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Define the Input layer
inp = keras.layers.____(batch_shape=(____,____,5))
# Define a GRU layer that takes in inp as the input
gru_out1 = keras.layers.____(____)(____)
print("gru_out1.shape = ", gru_out1.____)