Encoder’ı tanımlama

Burada bir Machine Translation modelini oluşturmaya ilk adımını atacaksın: encoder’ı uygulamak. Uygulayacağın encoder, Google’ın çeviri servisi gibi gerçek dünya uygulamalarında kullanılan karmaşık modellere kıyasla oldukça basit bir model. Ama endişe etme; model basit olsa da temel kavramlar o karmaşık modellerle aynıdır. Bu bölümde encoder ile ilgili her şeyi belirtmek için en önekini (ör. en_gru), decoder ile ilgili olanları belirtmek içinse de önekini (ör. de_gru) kullanacağız.

Gördüğün gibi, gerçek değerden (228) daha küçük olacak şekilde en_vocab’ı 150 olarak seçiyoruz. Sözlüğün küçültülmesi modelin bellek kullanımını azaltır. Bunu yaparken en nadir kelimeleri çıkardığımız için sözlüğü biraz küçültmek sorun değildir. Machine Translation görevlerinde nadir kelimeler genellikle yaygın kelimelere kıyasla daha az değere sahiptir.

Bu egzersiz, kursun bir parçasıdır

Keras ile Machine Translation

Kursa Göz Atın

Egzersiz talimatları

shape argümanını kullanarak, sözlük boyutu en_vocab ve dizi uzunluğu en_len olan bir girdi için bir Input katmanı tanımla.
hsize gizli birimine sahip ve durumunu döndüren bir keras.layers.GRU katmanı tanımla.
GRU katmanına en_inputs vererek çıktıları al; GRU durumunu en_state’e, çıktıyı en_out’a ata.
Girdisi en_inputs, çıktısı en_state olan bir keras.models.Model tanımla ve model özetini yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

import tensorflow.keras as keras

en_len = 15
en_vocab = 150
hsize = 48

# Define an input layer
en_inputs = keras.layers.____(____=____)
# Define a GRU layer which returns the state
en_gru = ____(____, ____=____)
# Get the output and state from the GRU
____, ____ = ____(____)
# Define and print the model summary
encoder = ____(inputs=____, ____=____)
print(encoder.____)

Kodu Düzenle ve Çalıştır