कॉन्टेक्स्ट के साथ वाक्य जनरेट करें
इस अभ्यास में, आप टेक्स्ट जनरेशन के लिए एक प्री-ट्रेन्ड मॉडल पर प्रयोग करेंगे। वातावरण में model वैरिएबल में मॉडल पहले से लोड है, साथ ही initialize_params() और get_next_token() फंक्शन भी उपलब्ध हैं।
दूसरा फंक्शन प्री-ट्रेन्ड मॉडल का उपयोग करके अगला कैरेक्टर प्रीडिक्ट करता है और तीन वैरिएबल लौटाता है: अगला कैरेक्टर next_char, अपडेट किया हुआ वाक्य res और शिफ्ट किया हुआ टेक्स्ट seq जिसे अगले कैरेक्टर की भविष्यवाणी के लिए इस्तेमाल किया जाएगा।
आप एक फंक्शन परिभाषित करेंगे जो इनपुट के रूप में प्री-ट्रेन्ड मॉडल और एक स्ट्रिंग लेता है, जो जनरेट होने वाले वाक्य की शुरुआत होगी। यह कॉन्टेक्स्ट सहित टेक्स्ट जनरेट करने की एक अच्छी प्रैक्टिस है। 100 कैरेक्टर की सेंटेंस लिमिट सिर्फ एक उदाहरण है; आप अपनी एप्लिकेशंस में अन्य लिमिट (या बिना लिमिट) भी इस्तेमाल कर सकते हैं।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Keras के साथ भाषा मॉडलिंग के लिए Recurrent Neural Networks (RNNs)
अभ्यास निर्देश
initial_textवैरिएबल कोinitialize_params()फंक्शन में पास करें।- ऐसी शर्तें बनाएँ कि काउंटर 100 पर पहुँचते ही या डॉट (
r'.') मिलते ही लूप रुक जाए। - अगला कैरेक्टर पाने के लिए शुरुआती मान
res,seqकोget_next_token()फंक्शन में पास करें। - परिभाषित फंक्शन से जनरेट हुई उदाहरण वाक्य को प्रिंट करें।
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
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, "))