訓練模型

你知道嗎？在 2017 年，Google 翻譯每天為超過 5 億名使用者提供服務。

在這裡，你會訓練你的第一個「Teacher Forcing」模型。Teacher Forcing 常用於序列到序列（sequence-to-sequence）模型，例如你的神經機器翻譯器，以獲得更好的表現。

你會拿到 sents2seqs() 函式、英文句子 en_text，以及法文句子 fr_text。

本練習屬於課程

使用 Keras 進行機器翻譯

檢視課程

練習說明

取得解碼器輸入（decoder input）：包含法文字詞的 onehot 編碼序列，但不含每個序列的最後一個詞。
取得解碼器輸出（decoder output）：包含法文字詞的 onehot 編碼序列，但不含每個序列的第一個詞。
在單一批次資料上訓練模型。
取得訓練資料 en_x、de_x 與 de_y 的評估指標（loss 與 accuracy）。

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。

n_epochs, bsize = 3, 250

for ei in range(n_epochs):
  for i in range(0,data_size,bsize):
    en_x = sents2seqs('source', en_text[i:i+bsize], onehot=True, reverse=True)
    de_xy = sents2seqs('target', fr_text[i:i+bsize], onehot=True)
    # Separate the decoder inputs from de_xy
    de_x = ____[:,____,:]
    # Separate the decoder outputs from de_xy
    de_y = ____[____]
    # Train the model on a single batch of data    
    nmt_tf.____([____,____], ____)    
    # Obtain the eval metrics for the training data
    res = _____.evaluate([____,____], ____, batch_size=bsize, verbose=0)
    print("{} => Train Loss:{}, Train Acc: {}".format(ei+1,res[0], res[1]*100.0))

編輯並執行程式碼