Treinar o modelo

Você sabia que, em 2017, o Google Tradutor ajudou mais de 500 milhões de pessoas por dia?

Aqui, você vai treinar seu primeiro modelo Teacher Forced. O Teacher Forcing é geralmente usado em modelos sequência a sequência, como o seu tradutor automático neural, para obter um desempenho melhor.

Você vai ter acesso à função “ sents2seqs() ”, frases em inglês en_text e frases em francês fr_text.

Este exercício faz parte do curso

Tradução automática com Keras

Ver curso

Instruções do exercício

Pega a entrada do decodificador que tem as sequências codificadas em onehot das palavras em francês (menos a última palavra de cada sequência).
Pega a saída do decodificador que tem as sequências codificadas em onehot das palavras em francês (menos a primeira palavra de cada sequência).
Treine o modelo em um único lote de dados.
Pega as métricas de avaliação (perda e precisão) para os dados de treinamento en_x, de_x e de_y.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

n_epochs, bsize = 3, 250

for ei in range(n_epochs):
  for i in range(0,data_size,bsize):
    en_x = sents2seqs('source', en_text[i:i+bsize], onehot=True, reverse=True)
    de_xy = sents2seqs('target', fr_text[i:i+bsize], onehot=True)
    # Separate the decoder inputs from de_xy
    de_x = ____[:,____,:]
    # Separate the decoder outputs from de_xy
    de_y = ____[____]
    # Train the model on a single batch of data    
    nmt_tf.____([____,____], ____)    
    # Obtain the eval metrics for the training data
    res = _____.evaluate([____,____], ____, batch_size=bsize, verbose=0)
    print("{} => Train Loss:{}, Train Acc: {}".format(ei+1,res[0], res[1]*100.0))

Editar e executar o código