Mulai sekarangMulai gratis

Membuat model pembangkit teks

Dalam latihan ini, Anda akan mendefinisikan model pembangkit teks menggunakan Keras.

Variabel n_vocab yang memuat ukuran kosakata dan input_shape yang memuat bentuk data untuk pelatihan sudah dimuat ke dalam lingkungan. Selain itu, bobot dari model terlatih tersedia pada berkas model_weights.h5. Model tersebut dilatih selama 40 epoch pada data pelatihan. Ingat kembali bahwa untuk melatih model di Keras, Anda cukup menggunakan metode .fit() pada data pelatihan (X, y), dengan parameter epochs. Contohnya:

model.fit(X_train, y_train, epochs=40)

Latihan ini merupakan bagian dari kursus

Recurrent Neural Networks (RNN) untuk Pemodelan Bahasa dengan Keras

Lihat Kursus

Instruksi latihan

  • Tambahkan satu layer LSTM yang mengembalikan urutan (returning the sequences).
  • Tambahkan satu layer LSTM yang tidak mengembalikan urutan.
  • Tambahkan layer keluaran dengan n_vocab unit.
  • Tampilkan ringkasan model.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Instantiate the model
model = Sequential(name="LSTM model")

# Add two LSTM layers
model.add(____(64, input_shape=input_shape, dropout=0.15, recurrent_dropout=0.15, return_sequences=____, name="Input_layer"))
model.add(____(64, dropout=0.15, recurrent_dropout=0.15, return_sequences=____, name="LSTM_hidden"))

# Add the output layer
model.add(Dense(____, activation='softmax', name="Output_layer"))

# Compile and load weights
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.load_weights('model_weights.h5')
# Summary
model.____
Edit dan Jalankan Kode