Часть 1: знакомство с моделями GRU
Знаете ли вы, что эти модели способны запоминать до нескольких тысяч временных шагов? Для сравнения, стандартные рекуррентные нейронные сети обычно удерживают в памяти менее ста шагов. Понимание принципов работы моделей GRU необходимо для их эффективного применения в задачах машинного перевода.
В этом упражнении вы построите простую модель, состоящую из входного слоя и слоя GRU, а затем используете её для получения выходных значений на основе случайного входного массива.
Не беспокойтесь о том, что данные случайные. Цель упражнения — разобраться в форме выходных данных, которые производит слой GRU. В следующих главах вы будете подавать на вход слоям GRU реальные предложения для выполнения перевода.
Это упражнение является частью курса
Машинный перевод с Keras
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
import tensorflow.keras as keras
import numpy as np
# Define an input layer
inp = keras.layers.____(____=(____))