Del 2: Förstå GRU-modeller

Nu ska du se hur du kan använda Keras-modeller för att acceptera batchar av godtycklig storlek. Det är viktigt av flera anledningar – till exempel kan du definiera en enda Keras-modell och experimentera med olika batchstorlekar under träningen, utan att behöva ändra något i själva modellen.

I den här övningen har keras och numpy (som np) redan importerats.

Den här övningen är en del av kursen

Maskinöversättning med Keras

Visa kurs

Övningsinstruktioner

Definiera ett indatalager som accepterar en godtyckligt stor batch av data med sekvensläng 3 och indatastorlek 4.
Definiera ett GRU-lager med 10 dolda enheter som tar emot föregående indata och producerar ett utdata.
Definiera en modell med namnet model som tar indatalagret som indata och producerar utdata från GRU-lagret. Kom ihåg att du kan använda syntaxen keras.models.Model(<argument>=<värde>) för att definiera en modell.
Prediktera modellens utdata för både x1 och x2.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define an input layer
inp = keras.layers.____(____=(____))
# Define a GRU layer that takes in the input
gru_out = keras.layers.____(____)(____)
# Define a model that outputs the GRU output
____ = keras.models.____(inputs=____, outputs=____)

x1 = np.random.normal(size=(2,3,4))
x2 = np.random.normal(size=(5,3,4))

# Get the output of the model and print the result
y1 = ____.____(____)
y2 = ____.____(____)
print("shape (y1) = ", y1.shape, " shape (y2) = ", y2.shape)

Redigera och kör kod