Entraînement du modèle avec validation

Vous apprendrez ici comment former le modèle de traduction automatique neuronale avec une étape de validation.

Vous disposez du modèle d'nmt que vous avez créé au chapitre précédent. De plus, vous formerez le modèle à partir de phrases en anglais et en français obtenues à partir du dépôt GitHub d'Udacity. Vous disposez du texte de formation en anglais (tr_en) et en français (tf_fr), ainsi que du texte de validation en anglais (v_en) et en français (v_fr) de l'exercice précédent.

L'entraînement du modèle prend un certain temps, votre code mettra donc un peu plus de temps à s'exécuter.

Cet exercice fait partie du cours

Traduction automatique avec Keras

Afficher le cours

Instructions

Veuillez créer des données de validation en transformant v_en et v_fr à l'aide de la fonction sents2seqs.
Obtenez un lot d'entrées et de sorties correctement transformées à l'aide de la fonction « sents2seqs ».
Veuillez utiliser les entrées (en_x) et les sorties (de_y) pour entraîner l'nmt sur un seul lot.
Veuillez utiliser les modèles d'apprentissage v_en_x et v_de_y, ainsi que le modèle valid_size en tant qu'batch_size pour évaluer le modèle nmt et obtenir la précision de la validation.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Convert validation data to onehot
v_en_x = ____(____, ____, onehot=____, reverse=____)
v_de_y = ____(____, ____, onehot=True)

n_epochs, bsize = 3, 250
for ei in range(n_epochs):
  for i in range(0,train_size,bsize):
    # Get a single batch of inputs and outputs
    en_x = ____(____, tr_en[____:____], onehot=____, reverse=____)
    de_y = sents2seqs(____, tr_fr[____:____], onehot=True)
    # Train the model on a single batch of data
    nmt.____(____, ____)    
  # Evaluate the trained model on the validation data
  res = nmt.evaluate(____, ____, batch_size=valid_size, verbose=0)
  print("{} => Loss:{}, Val Acc: {}".format(ei+1,res[0], res[1]*100.0))

Modifier et exécuter le code