De uitvoertekst voorbereiden

In deze oefening bereid je de uitvoerteksten voor die in het vertaalmodel worden gebruikt. Naast het omzetten van tekst naar reeksen indexen, moet je ook elke index one-hot encoden.

De Engelse teksten zijn geladen in de variabele en_sentences, de getrainde tokenizer in de variabele output_tokenizer en de grootte van de Engelse woordenschat in en_vocab_size.

Er is ook al een functie gemaakt om de eerste stappen van de transformatie van de doeltaal uit te voeren (het omzetten van teksten naar reeksen indexen). De functie is in de omgeving geladen als transform_text_to_sequences() en heeft twee parameters: sentences, waarin een lijst met Engelse zinnen wordt verwacht, en tokenizer, waarin een getraind Tokenizer-object uit de module keras.preprocessing.text wordt verwacht.

numpy is geladen als np.

Deze oefening maakt deel uit van de cursus

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

Cursus bekijken

Oefeninstructies

Geef de variabelen en_sentences en output_tokenizer door aan de functie transform_text_to_sequences() om de variabele Y te initialiseren.
Gebruik de functie to_categorical() om de zinnen one-hot te encoden. Gebruik de variabele en_vocab_size als aantal klassen.
Zet de tijdelijke lijst om naar een numpy-array en reshape deze naar de vorm (num_sentences, sentences_len, en_vocab_size).
Print de ruwe tekst en de getransformeerde versie.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Initialize the variable
Y = transform_text_to_sequences(____, ____)

# Temporary list
ylist = list()
for sequence in Y:
  	# One-hot encode sentence and append to list
    ylist.append(____(sequence, num_classes=____))

# Update the variable
Y = np.array(ylist).reshape(____, Y.shape[1], en_vocab_size)

# Print the raw sentence and its transformed version
print("Raw sentence: {0}\nTransformed: {1}".format(____, Y[0]))

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: Vanishing and exploding gradients Exercise 2: Exploding gradient problem Exercise 3: Vanishing gradient problem Exercise 4: GRU and LSTM cells Exercise 5: GRU cells are better than simpleRNN Exercise 6: Stacking RNN layers Exercise 7: The Embedding layer Exercise 8: Number of parameters comparison Exercise 9: Transfer learning Exercise 10: Embeddings improves performance Exercise 11: Sentiment classification revisited Exercise 12: Better sentiment classification Exercise 13: Using the CNN layer

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-modellen Exercise 2: Voorbeelden van tekstgeneratie Exercise 3: NMT-voorbeeld Exercise 4: De tekstgeneratiefunctie Exercise 5: Voorspel het volgende teken Exercise 6: Genereer zin met context Exercise 7: Pas de waarschijnlijkheidsschaal aan Exercise 8: Modellen voor tekengeneratie Exercise 9: Maak vectoren van zinnen en volgende tekens Exercise 10: De data voorbereiden voor training Exercise 11: Het tekstgeneratiemodel maken Exercise 12: Neurale machinevertaling Exercise 13: De invoertekst voorbereiden Exercise 14: De uitvoertekst voorbereiden

Huidige oefening

Exercise 15: Vertaal Portugees naar Engels Exercise 16: Gefeliciteerd!