Bölüm 2: GRU modellerini anlama

Şimdi Keras modellerinin keyfi boyutlu girdi yığınlarını nasıl kabul edebileceğini göreceksin. Keyfi yığın boyutlarını kabul edebilmek birçok nedenle önemlidir. Örneğin, modelde hiçbir şeyi değiştirmeden model eğitimi aşamasında tek bir Keras modeli tanımlayıp farklı yığın boyutlarını deneyebilmeni sağlar.

Bu egzersiz için keras ve numpy (kısaca np) zaten içe aktarıldı.

Bu egzersiz, kursun bir parçasıdır

Keras ile Machine Translation

Kursa Göz Atın

Egzersiz talimatları

Dizi uzunluğu 3 ve girdi boyutu 4 olan verilerden oluşan keyfi boyutlu bir yığını kabul eden bir girdi katmanı tanımla.
10 gizli birimli bir GRU katmanı tanımla; bu katman önceki girdiyle beslenip bir çıktı üretsin.
Girdi katmanını giriş, GRU katmanının çıktısını da çıkış olarak alan model adlı bir Model tanımla. Bir modeli tanımlamak için keras.models.Model(<argument>=<value>) söz dizimini kullanabileceğini unutma.
Hem x1 hem de x2 için model çıktısını tahmin et.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)

Kodu Düzenle ve Çalıştır