CommencerCommencer gratuitement

Générer une phrase avec contexte

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

Ce dernier utilise ensuite le modèle pré-entraîné pour prédire le caractère suivant et renvoie trois variables : le caractère suivant next_char, la phrase mise à jour res et le texte décalé seq qui sera utilisé pour prédire le caractère suivant.

Vous allez définir une fonction qui reçoit en entrée un modèle pré-entraîné et une chaîne qui sera le début de la phrase générée. Il s'agit d'une bonne pratique pour générer du texte avec du contexte. La limite de 100 caractères par phrase est un exemple, vous pouvez utiliser d'autres limites (ou même aucune limite) dans vos applications.

Cet exercice fait partie du cours

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

Afficher le cours

Instructions

  • Transmettez la variable « initial_text » à la fonction « initialize_params() ».
  • Veuillez créer les conditions pour arrêter la boucle lorsque le compteur atteint 100 ou qu'un point (r'.') est trouvé.
  • Transmettez les valeurs initiales res et seq à la fonction get_next_token() afin d'obtenir le caractère suivant.
  • Imprimez la phrase d'exemple générée par la fonction définie.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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