Partea 2: Definirea modelului complet

Știai că a fost nevoie de aproximativ 6 zile și 96 de GPU-uri pentru a antrena o variantă a Google Neural Machine Translator doar pentru sarcina de traducere din engleză în franceză?

În acest exercițiu vei defini un model de traducere automată bazat pe arhitectura encoder-decoder, similar, dar mult mai simplu. Concret, vei folosi intrările și ieșirile definite anterior pentru a crea un obiect Keras Model și vei compila modelul cu o funcție de pierdere și un optimizer specificat.

Îți sunt puse la dispoziție en_inputs (stratul de intrare al encoderului), en_out și en_state (ieșirea GRU a encoderului), de_out (ieșirea GRU a decoderului) și de_pred (predicția decoderului), toate definite anterior.

Acest exercițiu face parte din cursul

Traducere automată cu Keras

Vezi cursul

Instrucțiuni pentru exercițiu

Definește un Model Keras care primește en_inputs ca intrări și predicțiile decoderului (de_pred) ca ieșire.
Compilează modelul definit apelând <model>.compile cu optimizerul 'adam', funcția de pierdere cross-entropie și acuratețea (acc) ca metrică.
Afișează rezumatul modelului.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

from tensorflow.keras.models import Model
# Define a model with encoder input and decoder output
nmt = ____(____=____, outputs=____)

# Compile the model with an optimizer and a loss
nmt.____(optimizer=____, ____='categorical_crossentropy', metrics=[____])

# View the summary of the model 
nmt.____()

Editează și rulează codul