你剛剛建立的函式 predict_text() 已可使用。請記得，模型物件會預設作為第二個參數傳入，所以你只需要提供 3 個單字的句子給這個函式即可。
predict_text()
在你的 LSTM 模型上試試以下字串：
'meet revenge with'
'the course of'
'strength of the'
以上列句子的輸出單字，哪一個能組成合理的句子？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
在本章中，你將認識神經網路，了解它們能解決哪些問題，以及何時該使用。你也會動手建立多個網路，並透過訓練一個回歸模型來近似一顆正接近我們的隕石軌道，拯救地球！
完成本章後，你將能用神經網路解決二元、多類別與多標籤問題。過程中你會處理像是辨識偽鈔、判定誰把飛鏢丟到標靶的哪個位置，以及打造一個智慧灌溉系統等任務。你也將能繪製模型訓練指標，並在模型不再進步時停止訓練並儲存模型。
在前幾章中，你已經訓練了許多模型！現在你將學會如何解讀學習曲線，以便在訓練過程中理解模型。此外，你會視覺化啟動函式、批次大小與批次正規化的影響。最後，你會學到如何使用 sklearn 對 Keras 模型進行自動超參數最佳化。
是時候認識更進階的架構了！你會建立一個自動編碼器來重建受雜訊汙染的影像，視覺化卷積神經網路的活化情形，使用深度的預先訓練模型來做影像分類，並更進一步了解循環神經網路與文字處理，建立一個能預測句子中下一個單字的網路。
當前練習
