Vanishing gradient-probleem

Het andere mogelijke gradientprobleem is wanneer de gradients verdwijnen, of naar nul gaan. Dit is een veel lastiger probleem om op te lossen, omdat het moeilijker te detecteren is. Als de verliesfunctie niet bij elke stap verbetert, komt dat dan doordat de gradients naar nul gingen en de gewichten dus niet zijn bijgewerkt? Of komt het omdat het model niet kan leren?

Dit probleem komt vaker voor in RNN-modellen wanneer lange geheugenafhankelijkheid nodig is (bij lange zinnen).

In deze oefening ga je het probleem bekijken op de IMDB-gegevens, waarbij langere zinnen zijn geselecteerd. De data is geladen in de variabelen X en y, en de klassen Sequential, SimpleRNN, Dense en matplotlib.pyplot als plt zijn beschikbaar. Het model is vooraf getraind met 100 epochs; de gewichten en de geschiedenis zijn opgeslagen in het bestand model_weights.h5 en de variabele history.

Deze oefening maakt deel uit van de cursus

Recurrent Neural Networks (RNN's) voor taalmodellen met Keras

Cursus bekijken

Oefeninstructies

Voeg een SimpleRNN-laag toe aan het model.
Laad de vooraf getrainde gewichten in het model met de methode .load_weights().
Voeg de nauwkeurigheid van de trainingsdata, beschikbaar onder het attribuut 'acc', toe aan de grafiek.
Toon de grafiek met de methode .show().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create the model
model = Sequential()
model.add(____(units=600, input_shape=(None, 1)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='sgd', metrics=['accuracy'])

# Load pre-trained weights
model.____('model_weights.h5')

# Plot the accuracy x epoch graph
plt.plot(history.history[____])
plt.plot(history.history['val_acc'])
plt.legend(['train', 'val'], loc='upper left')
plt.____()

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Recurrent Neural Networks (RNN's) voor taalmodellen met Keras

SkillTag.level.advancedSkillTag.label

4.8+

Begin de cursus gratis

In this chapter, you will learn the foundations of Recurrent Neural Networks (RNN). Starting with some prerequisites, continuing to understanding how information flows through the network and finally seeing how to implement such models with Keras in the sentiment classification task.

Exercise 1: Introduction to the course Exercise 2: Comparing the number of parameter of RNN and ANN Exercise 3: Sentiment analysis Exercise 4: Sequence to sequence models Exercise 5: Introduction to language models Exercise 6: Getting used to text data Exercise 7: Preparing text data for model input Exercise 8: Transforming new text Exercise 9: Introduction to RNN inside Keras Exercise 10: Keras models Exercise 11: Keras preprocessing Exercise 12: Your first RNN model

You will learn about the vanishing and exploding gradient problems, often occurring in RNNs, and how to deal with them with the GRU and LSTM cells. Furthermore, you'll create embedding layers for language models and revisit the sentiment classification task.

Exercise 1: Ver verdwijnende en exploderende gradiënten Exercise 2: Exploding gradient-probleem Exercise 3: Vanishing gradient-probleem

Huidige oefening

Exercise 4: GRU- en LSTM-cellen Exercise 5: GRU-cellen zijn beter dan SimpleRNN Exercise 6: RNN-lagen stapelen Exercise 7: De Embedding-laag Exercise 8: Vergelijking van het aantal parameters Exercise 9: Transfer learning Exercise 10: Embeddings verbeteren de prestaties Exercise 11: Sentimentclassificatie herbekeken Exercise 12: Betere sentimentclassificatie Exercise 13: De CNN-laag gebruiken

Next, in this chapter you will learn how to prepare data for the multi-class classification task, as well as the differences between multi-class classification and binary classification (sentiment analysis). Finally, you will learn how to create models and measure their performance with Keras.

Exercise 1: Data pre-processing Exercise 2: Prepare label vectors Exercise 3: Pre-process data Exercise 4: Transfer learning for language models Exercise 5: Transfer learning starting point Exercise 6: Word2Vec Exercise 7: Multi-class classification models Exercise 8: Exploring 20 News Groups dataset Exercise 9: Classifying news articles Exercise 10: Assessing the model's performance Exercise 11: Precision-Recall trade-off Exercise 12: Precision or Recall, that is the question Exercise 13: Performance on multi-class classification

This chapter introduces you to two applications of RNN models: Text Generation and Neural Machine Translation. You will learn how to prepare the text data to the format needed by the models. The Text Generation model is used for replicating a character's way of speech and will have some fun mimicking Sheldon from The Big Bang Theory. Neural Machine Translation is used for example by Google Translate in a much more complex model. In this chapter, you will create a model that translates Portuguese small phrases into English.

Exercise 1: Sequence to Sequence Models Exercise 2: Text generation examples Exercise 3: NMT example Exercise 4: The Text Generating Function Exercise 5: Predict next character Exercise 6: Generate sentence with context Exercise 7: Change the probability scale Exercise 8: Text Generation Models Exercise 9: Create vectors of sentences and next characters Exercise 10: Preparing the data for training Exercise 11: Creating the text generation model Exercise 12: Neural Machine Translation Exercise 13: Preparing the input text Exercise 14: Preparing the output text Exercise 15: Translate Portuguese to English Exercise 16: Congratulations!