第 2 部分：理解 GRU 模型
你現在會看到如何使用 Keras 模型來接受任意大小的輸入批次。能夠接受任意大小的批次很重要。例如，這讓你可以只定義一個 Keras 模型，並在模型訓練階段嘗試不同的批次大小，而不需更動模型本身。
在本練習中，keras 與 numpy（作為 np）已經匯入。
本練習屬於課程
使用 Keras 進行機器翻譯
練習說明
- 定義一個輸入層，能接受「任意大小」的資料批次，其序列長度為 3，輸入大小為 4。
- 定義一個具有 10 個隱藏單元的 GRU 層，消耗前述輸入並產生輸出。
- 定義名為
model的 Model，使其以輸入層作為輸入，並以 GRU 層的輸出作為輸出。記得你可以使用keras.models.Model(<argument>=<value>)的語法來定義模型。 - 對
x1與x2都進行模型輸出預測。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)