Parte 2: Entendendo modelos GRU

Agora você vai ver como usar modelos Keras para aceitar lotes de entrada com tamanho arbitrário. A capacidade de aceitar lotes de tamanho arbitrário é importante por muitos motivos. Por exemplo, isso permite definir um único modelo Keras e experimentar diferentes tamanhos de lote durante o treinamento, sem precisar mudar nada no modelo.

Para este exercício, keras e numpy (como np) já foram importados.

Este exercício faz parte do curso

Machine Translation with Keras

Ver curso

Instruções do exercício

Defina uma camada de entrada que aceite um lote de dados de tamanho arbitrário, com comprimento de sequência 3 e tamanho de entrada 4.
Defina uma camada GRU com 10 unidades ocultas que consuma a entrada anterior e produza uma saída.
Defina um Model chamado model que receba a camada de entrada como entrada e produza a saída da camada GRU como saída. Lembre-se de que você pode usar a sintaxe keras.models.Model(<argument>=<value>) para definir um modelo.
Faça a predição da saída do modelo para x1 e x2.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Define an input layer
inp = keras.layers.____(____=(____))
# Define a GRU layer that takes in the input
gru_out = keras.layers.____(____)(____)
# Define a model that outputs the GRU output
____ = keras.models.____(inputs=____, outputs=____)

x1 = np.random.normal(size=(2,3,4))
x2 = np.random.normal(size=(5,3,4))

# Get the output of the model and print the result
y1 = ____.____(____)
y2 = ____.____(____)
print("shape (y1) = ", y1.shape, " shape (y2) = ", y2.shape)

Editar e executar o código