在本章中，你將了解什麼是編碼器－解碼器架構，以及它如何用於機器翻譯。你也會學到 Gated Recurrent Units（GRU），以及它們在編碼器－解碼器架構中的用法。

Machine Translation 入門

理解 one-hot 向量

第 1 部分：探索 `to_categorical()` 函式

第 2 部分：探索 `to_categorical()` 函式

編碼器—解碼器架構

第 1 部分：文字反轉模型－Encoder

第 2 部分：文字反轉模型－編碼器

完成文字反轉模型

理解序列式模型

第 1 部分：理解 GRU 模型

第 2 部分：理解 GRU 模型

理解序列模型的輸出

機器翻譯導論

在本章中，你會使用 Keras 的 functional API 來實作編碼器－解碼器模型。過程中，你將學習多個實用的 Keras 層，例如 RepeatVector 與 TimeDistributed。

實作 encoder

第 1 部分：探索資料集

第 2 部分：探索資料集

定義編碼器（encoder）

實作解碼器

理解 RepeatVector 層

RepeatVector 層輸出的形狀

定義解碼器（decoder）

Dense 與 TimeDistributed 層

第 1 部分：參加就有機會贏得超棒獎品

第 2 部分：再來玩幾個遊戲

實作完整的 Encoder-Decoder 模型

第 1 部分：定義完整模型

第 2 部分：定義完整模型

以 Keras 實作編碼器－解碼器模型

在本章中，你會訓練前面定義的模型，接著使用訓練良好的模型來產生翻譯。你會看到我們的模型在翻譯句子時表現不錯。

第 1 部分：資料前處理

使用 Keras 進行句子分詞

用 Tokenizer 控制詞彙表

第 2 部分：資料前處理

加入特殊權杖

句子補齊（Padding）

反轉句子

訓練 NMT 模型

訓練模型

將資料切分為訓練集與驗證集

加入驗證的模型訓練

使用 NMT 產生翻譯

第 1 部分：尋寶遊戲

第 2 部分：尋寶遊戲

產生英翻法譯文

訓練與產生翻譯

在本章中，你將學習一種稱為 Teacher Forcing 的技巧，能讓翻譯模型訓練得更好也更快。然後你會學到如何使用詞向量進一步強化模型表現。

Teacher Forcing 簡介

定義 Teacher Forcing 模型層

定義 Teacher Forcing 模型

資料前處理

使用 Teacher Forcing 訓練模型

切分訓練與驗證資料

使用驗證來訓練模型

從模型產生翻譯

定義推論模型的解碼器

訓練模型與推論模型之間的連結

產生翻譯

在機器翻譯中使用嵌入向量（embedding）

衡量詞向量的相似度

定義嵌入式模型

訓練以詞嵌入為基礎的模型

總結與最終對決

Teacher Forcing 與詞向量

French vocabulary

English vocabulary

出國遊歐或寫外語作業時需要隨身帶雙語字典的日子已經過去。現在只要上網，用語言翻譯服務就能快速看懂路標寫什麼，或學會如何用對方的語言打招呼與道謝。這些翻譯服務的背後，是複雜的機器翻譯模型。你是否想過這些模型如何運作？本課程將帶你探索機器翻譯模型的內在機制。你會使用 Keras（基於 Python 的強大深度學習函式庫）實作一個翻譯模型，並將其訓練為英翻法。接著你會看到如何改進模型的技巧。課程結束時，你將對機器翻譯模型有更深入的理解，也會更能欣賞它們的巧妙之處。

Introduction to Deep Learning with Keras

您是否對像Google翻譯這樣的產品背後模型的內部運作感到好奇？

使用 Keras 進行機器翻譯

Data Scientist and Author

用詞向量做機器翻譯

詞嵌入入門

詞向量的相似度

在編碼器加入嵌入層

以嵌入層實作編碼器

以嵌入層實作解碼器

一起來練習吧！

Teacher Forcing 與詞向量 - 在機器翻譯中使用嵌入向量（embedding）

在機器翻譯中使用嵌入向量（embedding）

Create Your Free Account