Часть 2: определение полной модели
Знаете ли вы, что для обучения одного из вариантов нейронного переводчика Google только на задаче перевода с английского на французский потребовалось около 6 дней и 96 графических процессоров?
В этом упражнении вы определите похожую, но значительно более простую модель нейронного машинного перевода на основе архитектуры «кодировщик — декодировщик». В частности, вы воспользуетесь ранее заданными входами и выходами, создадите объект Keras Model и скомпилируете модель с заданной функцией потерь и оптимизатором.
Вам предоставлены: en_inputs (входной слой кодировщика), en_out и en_state (выходы GRU кодировщика), de_out (выход GRU декодировщика) и de_pred (предсказания декодировщика) — всё это было определено ранее.
Это упражнение является частью курса
Машинный перевод с Keras
Инструкции к упражнению
- Определите Keras
Model, которая принимаетen_inputsв качестве входных данных и предсказания декодировщика (de_pred) в качестве выхода. - Скомпилируйте определённую модель, вызвав
<model>.compileс оптимизатором'adam', функцией потерь на основе кросс-энтропии и метрикой точности (acc). - Выведите сводку модели.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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.____()