De output van sequentiële modellen begrijpen
In deze oefening leer je de laag keras.layers.GRU gebruiken. keras.layers.GRU verpakt de functionaliteit van een GRU netjes in een Layer-object.
Je gaat verkennen hoe de vorm (shape) van de output van een GRU-laag eruitziet en hoe die verandert wanneer je verschillende argumenten meegeeft. In de praktijk bekijk je zelden de numerieke vectoren die een GRU produceert, maar om deze lagen in complexere modellen te gebruiken, is het belangrijk dat je de vormen van de outputs goed begrijpt en weet hoe je met verschillende argumenten de gewenste output krijgt.
Hier zijn keras en numpy (als np) al geladen. Je kunt lagen aanspreken met keras.layers.<Layer> en een model met keras.models.Model.
Deze oefening maakt deel uit van de cursus
Machine Translation met Keras
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Define the Input layer
inp = keras.layers.____(batch_shape=(____,____,5))
# Define a GRU layer that takes in inp as the input
gru_out1 = keras.layers.____(____)(____)
print("gru_out1.shape = ", gru_out1.____)