ПочатиПочніть безкоштовно

Частина 2: розуміння моделей GRU

Зараз ви побачите, як можна будувати моделі Keras, що приймають партії довільного розміру. Уміння працювати з довільним розміром партії важливе з багатьох причин. Наприклад, це дає змогу визначити одну модель Keras і експериментувати з різними розмірами партії під час тренування моделі, нічого не змінюючи в самій моделі.

Для цієї вправи keras і numpy (як np) уже імпортовано.

Ця вправа є частиною курсу

Machine Translation з Keras

Переглянути курс

Інструкції до вправи

  • Визначте вхідний шар, який приймає партію даних довільного розміру з довжиною послідовності 3 та розміром вхідного вектора 4.
  • Додайте шар GRU з 10 прихованими вузлами, який споживає попередній вхід і формує вихід.
  • Створіть Model під назвою model, яка бере вхідний шар як вхід і повертає вихід шару GRU як вихід. Пам'ятайте, що модель можна оголосити через синтаксис keras.models.Model(<argument>=<value>).
  • Здійсніть передбачення виходу моделі для x1 і x2.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код