產生翻譯
你現在要使用以 Teacher Forcing 訓練出的推論模型來產生法文翻譯。
此模型（nmt_tf）在 100,000 句上訓練了 50 個 epoch，在超過 35,000 筆的驗證集上達到約 98% 的準確率。由於需要載入已訓練的模型，這個練習初始化可能會花比較久的時間。你已獲得 sents2seqs() 函式。此外也提供了兩個新函式：
word2onehot(tokenizer, word, vocab_size)，其參數為：
- tokenizer - Keras 的
Tokenizer物件 - word - 詞彙表中的一個單字字串（例如：
'apple'） - vocab_size - 詞彙量大小
probs2word(probs, tok)，其參數為：
- probs - 來自模型的輸出，形狀為
[1,<French Vocab Size>] - tok - Keras 的
Tokenizer物件
你可以在主控台輸入 print(inspect.getsource(word2onehot)) 與 print(inspect.getsource(probs2word)) 來查看這些函式的原始程式碼。
本練習屬於課程
使用 Keras 進行機器翻譯
練習說明
- 使用編碼器預測初始解碼器狀態（
de_s_t）。 - 使用前一次的預測結果（輸出）與前一次的狀態作為輸入，從解碼器中預測輸出與新狀態。記得以遞迴方式產生並更新新狀態。
- 使用
probs2word()函式，從機率輸出取得單字字串。 - 使用
word2onehot()函式，將該單字字串轉換為 one-hot 序列。
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。
en_sent = ['the united states is sometimes chilly during december , but it is sometimes freezing in june .']
print('English: {}'.format(en_sent))
en_seq = sents2seqs('source', en_sent, onehot=True, reverse=True)
# Predict the initial decoder state with the encoder
de_s_t = ____.predict(____)
de_seq = word2onehot(fr_tok, 'sos', fr_vocab)
fr_sent = ''
for i in range(fr_len):
# Predict from the decoder and recursively assign the new state to de_s_t
de_prob, ____ = ____.predict([____,____])
# Get the word from the probability output using probs2word
de_w = probs2word(____, fr_tok)
# Convert the word to a onehot sequence using word2onehot
de_seq = word2onehot(fr_tok, ____, fr_vocab)
if de_w == 'eos': break
fr_sent += de_w + ' '
print("French (Ours): {}".format(fr_sent))
print("French (Google Translate): les etats-unis sont parfois froids en décembre, mais parfois gelés en juin")