Girdi metnini hazırlama

Videoda girdi ve çıktı metinlerinin nasıl hazırlandığını gördün. Bu egzersizin amacı, tüm cümleleri en uzun cümle uzunluğuna göre doldurma (padding) yaklaşımını göstermek; böylece hiçbir bilgi kaybolmaz.

RNN modelleri girdilerin aynı boyutta olmasını istediği için, bu yöntemle tüm cümleleri doldurur, daha kısa olanlara sıfırlar eklersin; uzun olanları kesmeden korursun.

Ayrıca, belirteçleri temsil etmek için karakterler yerine kelimeler kullanacaksın; bu, NMT modelleri için yaygın bir yaklaşımdır.

Portekizce metinler pt_sentences değişkenine, eğitilmiş bir tokenizer ise input_tokenizer değişkenine yüklenmiştir.

Bu egzersiz

Keras ile Dil Modellemesi için Yinelenen Sinir Ağları (RNN)

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Her cümlede .split() yöntemini kullanarak boşluklara göre böl ve cümledeki kelime sayısını elde et.
Metni indeks dizilerine dönüştürmek için .texts_to_sequences() yöntemini kullan.
Elde edilen en büyük cümle uzunluğunu kullanarak doldurma (padding) yap.
Dönüştürülen ilk cümleyi yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Get maximum length of the sentences
pt_length = max([len(sentence.____) for sentence in pt_sentences])

# Transform text to sequence of numerical indexes
X = input_tokenizer.____(pt_sentences)

# Pad the sequences
X = pad_sequences(X, maxlen=____, padding='post')

# Print first sentence
print(pt_sentences[0])

# Print transformed sentence
print(____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

Keras ile Dil Modellemesi için Yinelenen Sinir Ağları (RNN)

kursunun bir parçasıdır

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, you will learn the foundations of Recurrent Neural Networks (RNN). Starting with some prerequisites, continuing to understanding how information flows through the network and finally seeing how to implement such models with Keras in the sentiment classification task.

Exercise 1: Introduction to the course Exercise 2: Comparing the number of parameter of RNN and ANN Exercise 3: Sentiment analysis Exercise 4: Sequence to sequence models Exercise 5: Introduction to language models Exercise 6: Getting used to text data Exercise 7: Preparing text data for model input Exercise 8: Transforming new text Exercise 9: Introduction to RNN inside Keras Exercise 10: Keras models Exercise 11: Keras preprocessing Exercise 12: Your first RNN model

You will learn about the vanishing and exploding gradient problems, often occurring in RNNs, and how to deal with them with the GRU and LSTM cells. Furthermore, you'll create embedding layers for language models and revisit the sentiment classification task.

Exercise 1: Vanishing and exploding gradients Exercise 2: Exploding gradient problem Exercise 3: Vanishing gradient problem Exercise 4: GRU and LSTM cells Exercise 5: GRU cells are better than simpleRNN Exercise 6: Stacking RNN layers Exercise 7: The Embedding layer Exercise 8: Number of parameters comparison Exercise 9: Transfer learning Exercise 10: Embeddings improves performance Exercise 11: Sentiment classification revisited Exercise 12: Better sentiment classification Exercise 13: Using the CNN layer

Next, in this chapter you will learn how to prepare data for the multi-class classification task, as well as the differences between multi-class classification and binary classification (sentiment analysis). Finally, you will learn how to create models and measure their performance with Keras.

Exercise 1: Data pre-processing Exercise 2: Prepare label vectors Exercise 3: Pre-process data Exercise 4: Transfer learning for language models Exercise 5: Transfer learning starting point Exercise 6: Word2Vec Exercise 7: Multi-class classification models Exercise 8: Exploring 20 News Groups dataset Exercise 9: Classifying news articles Exercise 10: Assessing the model's performance Exercise 11: Precision-Recall trade-off Exercise 12: Precision or Recall, that is the question Exercise 13: Performance on multi-class classification

This chapter introduces you to two applications of RNN models: Text Generation and Neural Machine Translation. You will learn how to prepare the text data to the format needed by the models. The Text Generation model is used for replicating a character's way of speech and will have some fun mimicking Sheldon from The Big Bang Theory. Neural Machine Translation is used for example by Google Translate in a much more complex model. In this chapter, you will create a model that translates Portuguese small phrases into English.

Exercise 1: Diziden Diziye Modeller Exercise 2: Metin üretimi örnekleri Exercise 3: NMT örneği Exercise 4: Metin Üreten Fonksiyon Exercise 5: Sonraki karakteri tahmin et Exercise 6: Bağlama sahip cümle üret Exercise 7: Olasılık ölçeğini değiştir Exercise 8: Metin Üretim Modelleri Exercise 9: Cümle ve sonraki karakter vektörleri oluştur Exercise 10: Eğitim için veriyi hazırlama Exercise 11: Metin üretim modelini oluşturma Exercise 12: Nöral Makine Çevirisi Exercise 13: Girdi metnini hazırlama

Geçerli Egzersiz

Exercise 14: Çıktı metnini hazırlama Exercise 15: Portekizceyi İngilizceye çevir Exercise 16: Tebrikler!