Mulai sekarangMulai gratis

Menghasilkan kalimat dengan konteks

Pada latihan ini, Anda akan bereksperimen dengan model pralatih untuk generasi teks. Model sudah dimuat di lingkungan pada variabel model, begitu juga fungsi initialize_params() dan get_next_token().

Fungsi terakhir ini menggunakan model pralatih untuk memprediksi karakter berikutnya dan mengembalikan tiga variabel: karakter berikutnya next_char, kalimat yang diperbarui res, dan teks yang digeser seq yang akan digunakan untuk memprediksi karakter selanjutnya.

Anda akan mendefinisikan sebuah fungsi yang menerima model pralatih dan string yang akan menjadi awal dari kalimat yang dihasilkan sebagai masukan. Ini adalah praktik yang baik untuk menghasilkan teks dengan konteks. Batas kalimat 100 karakter hanyalah contoh; Anda dapat menggunakan batas lain (atau bahkan tanpa batas) dalam aplikasi Anda.

Latihan ini merupakan bagian dari kursus

Recurrent Neural Networks (RNN) untuk Pemodelan Bahasa dengan Keras

Lihat Kursus

Instruksi latihan

  • Umpankan variabel initial_text ke fungsi initialize_params().
  • Buat kondisi untuk menghentikan loop ketika penghitung mencapai 100 atau sebuah titik (r'.') ditemukan.
  • Umpankan nilai awal res, seq ke fungsi get_next_token() untuk memperoleh karakter berikutnya.
  • Cetak frasa contoh yang dihasilkan oleh fungsi yang didefinisikan.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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, "))
Edit dan Jalankan Kode