Parte 2: Definire il modello completo

Sapevi che ci sono voluti circa 6 giorni e 96 GPU per addestrare una variante del Google Neural Machine Translator solo sul compito di traduzione dall'inglese al francese?

In questo esercizio definirai un modello di traduzione automatica neurale basato su encoder-decoder simile, ma molto più semplice. In particolare, userai gli input e gli output definiti in precedenza per creare un oggetto Model di Keras e compilerai il modello con una data funzione di perdita e un ottimizzatore.

Qui ti vengono forniti en_inputs (layer di input dell'encoder), en_out e en_state (output della GRU dell'encoder), de_out (output della GRU del decoder) e de_pred (predizione del decoder) che hai definito in precedenza.

Questo esercizio fa parte del corso

Traduzione automatica con Keras

Visualizza corso

Istruzioni dell'esercizio

Definisci un Model di Keras che prenda en_inputs come input e le predizioni del decoder (de_pred) come output.
Compila il modello definito chiamando <model>.compile con l'ottimizzatore 'adam', la perdita cross-entropy e l'accuratezza (acc) come metrica.
Stampa il riepilogo del modello.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

from tensorflow.keras.models import Model
# Define a model with encoder input and decoder output
nmt = ____(____=____, outputs=____)

# Compile the model with an optimizer and a loss
nmt.____(optimizer=____, ____='categorical_crossentropy', metrics=[____])

# View the summary of the model 
nmt.____()

Modifica ed esegui il codice