Träna modellen med validering

Här lär du dig hur du tränar den neurala maskinöversättningsmodellen med ett valideringssteg.

Du har tillgång till nmt-modellen som skapades i föregående kapitel. Du tränar modellen på engelska och franska meningar hämtade från Udacity Github Repo. Från föregående övning har du tillgång till engelsk träningstext (tr_en) och fransk träningstext (tf_fr), samt engelsk valideringstext (v_en) och fransk valideringstext (v_fr).

Träningen tar lite tid, så koden kan ta något längre att köra.

Den här övningen är en del av kursen

Maskinöversättning med Keras

Visa kurs

Övningsinstruktioner

Skapa valideringsdata genom att omvandla v_en och v_fr med funktionen sents2seqs.
Hämta ett korrekt omvandlat batch med indata och utdata med hjälp av funktionen sents2seqs.
Använd indata (en_x) och utdata (de_y) för att träna nmt på ett enda batch.
Använd v_en_x och v_de_y tillsammans med valid_size som batch_size för att utvärdera nmt-modellen och erhålla valideringsnoggrannheten.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Convert validation data to onehot
v_en_x = ____(____, ____, onehot=____, reverse=____)
v_de_y = ____(____, ____, onehot=True)

n_epochs, bsize = 3, 250
for ei in range(n_epochs):
  for i in range(0,train_size,bsize):
    # Get a single batch of inputs and outputs
    en_x = ____(____, tr_en[____:____], onehot=____, reverse=____)
    de_y = sents2seqs(____, tr_fr[____:____], onehot=True)
    # Train the model on a single batch of data
    nmt.____(____, ____)    
  # Evaluate the trained model on the validation data
  res = nmt.evaluate(____, ____, batch_size=valid_size, verbose=0)
  print("{} => Loss:{}, Val Acc: {}".format(ei+1,res[0], res[1]*100.0))

Redigera och kör kod