訓練以詞嵌入為基礎的模型
在這裡你會學到如何實作使用詞嵌入向量（embedding）的機器翻譯模型之訓練流程。與先前練習使用 one-hot 編碼向量不同，這裡一個單字以單一數字來表示。你會在完整資料集上以批次方式進行多個 epoch 的訓練。
本練習提供以句子清單形式的訓練資料（tr_en 與 tr_fr）。為了避免訓練時間過長，你只會使用實際資料中的一小部分樣本（1,000 句）。你也有在前一個練習中實作的 sents2seqs() 函式與模型 nmt_emb。請記得，我們用 en_x 表示編碼器輸入，用 de_x 表示解碼器輸入。
本練習屬於課程
使用 Keras 進行機器翻譯
練習說明
- 使用
sents2seqs()函式，取得未做 onehot 編碼的法文句子單一批次資料。 - 從
de_xy取出除了「最後一個」以外的所有單字。 - 從
de_xy_oh（採 onehot 編碼的法文字）取出除了「第一個」以外的所有單字。 - 使用這一個批次的資料來訓練模型
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。
for ei in range(3):
for i in range(0, train_size, bsize):
en_x = sents2seqs('source', tr_en[i:i+bsize], onehot=False, reverse=True)
# Get a single batch of French sentences with no onehot encoding
de_xy = ____('target', ____[i:i+bsize], ____=____)
# Get all words except the last word in that batch
de_x = de_xy[:,____]
de_xy_oh = sents2seqs('target', tr_fr[i:i+bsize], onehot=True)
# Get all words except the first from de_xy_oh
de_y = de_xy_oh[____,____,____]
# Training the model on a single batch of data
nmt_emb.train_on_batch([____,____], ____)
res = nmt_emb.evaluate([en_x, de_x], de_y, batch_size=bsize, verbose=0)
print("{} => Loss:{}, Train Acc: {}".format(ei+1,res[0], res[1]*100.0))