Del 2: Definiera den fullständiga modellen

Visste du att det tog ungefär 6 dagar och 96 GPU:er att träna en variant av Googles neurala maskinöversättare enbart på uppgiften att översätta från engelska till franska?

I den här övningen definierar du en liknande, men betydligt enklare, encoder-decoder-baserad modell för neural maskinöversättning. Mer specifikt ska du använda de tidigare definierade in- och utdata för att definiera ett Keras Model-objekt och kompilera modellen med en given förlustfunktion och en optimerare.

Här får du tillgång till en_inputs (encoderns indatalager), en_out och en_state (encoderns GRU-utdata), de_out (decoderns GRU-utdata) och de_pred (decoderns prediktion), som du definierade tidigare.

Den här övningen är en del av kursen

Maskinöversättning med Keras

Visa kurs

Övningsinstruktioner

Definiera en Keras Model som tar en_inputs som indata och decoderns prediktioner (de_pred) som utdata.
Kompilera den definierade modellen genom att anropa <model>.compile med optimeraren 'adam', korsentropiförlust och noggrannhet (acc) som ett mätvärde.
Skriv ut en sammanfattning av modellen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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.____()

Redigera och kör kod