Träna modellen
Visste du att Google Translate 2017 hade fler än 500 miljoner användare per dag?
Här tränar du din första Teacher Forcing-modell. Teacher Forcing används ofta i sekvens-till-sekvens-modeller, som din neurala maskinöversättare, för att uppnå bättre prestanda.
Du får tillgång till funktionen sents2seqs(), engelska meningar i en_text och franska meningar i fr_text.
Den här övningen är en del av kursen
Maskinöversättning med Keras
Övningsinstruktioner
- Hämta decoder-indatan, som innehåller one-hot-kodade sekvenser av franska ord (utom det sista ordet i varje sekvens).
- Hämta decoder-utdatan, som innehåller one-hot-kodade sekvenser av franska ord (utom det första ordet i varje sekvens).
- Träna modellen på en enskild batch med data.
- Beräkna utvärderingsmåtten (förlust och noggrannhet) för träningsdatan
en_x,de_xochde_y.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
n_epochs, bsize = 3, 250
for ei in range(n_epochs):
for i in range(0,data_size,bsize):
en_x = sents2seqs('source', en_text[i:i+bsize], onehot=True, reverse=True)
de_xy = sents2seqs('target', fr_text[i:i+bsize], onehot=True)
# Separate the decoder inputs from de_xy
de_x = ____[:,____,:]
# Separate the decoder outputs from de_xy
de_y = ____[____]
# Train the model on a single batch of data
nmt_tf.____([____,____], ____)
# Obtain the eval metrics for the training data
res = _____.evaluate([____,____], ____, batch_size=bsize, verbose=0)
print("{} => Train Loss:{}, Train Acc: {}".format(ei+1,res[0], res[1]*100.0))