Cümle ve sonraki karakter vektörleri oluştur

Bu egzersizin amacı veri hazırlamanın değerini daha da vurgulamaktır. Girdi olarak The Big Bang Theory dizisindeki Sheldon karakterinin ifadelerini içeren metinleri kullanacak ve bir metin üretim modeli oluşturmadan önce gereken cümle indeksleri ve sonraki karakterlerin vektörlerini oluşturacaksın.

Metin sheldon değişkeninde, söz varlığı (karakterler) vocabulary değişkeninde ve chars_window ile step hiperparametreleri de 20 ve 3 değerleriyle tanımlanmış durumda. Bu, 20 karakterlik bir dizinin bir sonraki karakteri tahmin etmek için kullanılacağı ve pencerenin her yinelemede 3 karakter kayacağı anlamına gelir.

Ayrıca, pandas paketi ortamda pd olarak yüklüdür.

Bu egzersiz

Keras ile Dil Modellemesi için Yinelenen Sinir Ağları (RNN)

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Döngü kurmak için metni satır sonlarına göre böl.
Cümlenin sonundan chars_window çıkarılana kadar döngüyü sürdür.
chars_window uzunluğunda cümle bölümünü sentences değişkenine ve bir sonraki karakteri next_chars değişkenine ekle.
Elde edilen vektörleri kullanarak bir pd.DataFrame() oluştur ve ilk satırlarını yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Instantiate the vectors
sentences = []
next_chars = []
# Loop for every sentence
for sentence in sheldon.____:
    # Get 20 previous chars and next char; then shift by step
    for i in range(0, len(sentence) - ____, step):
        sentences.append(sentence[i:i + ____])
        next_chars.append(sentence[____ + chars_window])

# Define a Data Frame with the vectors
df = pd.DataFrame({'sentence': ____, 'next_char': ____})

# Print the initial rows
print(df.head())

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

Geçerli Egzersiz

Exercise 10: Eğitim için veriyi hazırlama Exercise 11: Metin üretim modelini oluşturma Exercise 12: Nöral Makine Çevirisi Exercise 13: Girdi metnini hazırlama Exercise 14: Çıktı metnini hazırlama Exercise 15: Portekizceyi İngilizceye çevir Exercise 16: Tebrikler!