切分訓練與驗證資料
你將建立訓練與驗證資料集。保留一組驗證資料集，並持續監控模型在該資料集上的表現，是避免過度擬合（overfitting）的好做法。
在本練習中，已提供 en_text（英文句子）與 fr_text（法文句子）。
本練習屬於課程
使用 Keras 進行機器翻譯
練習說明
- 使用
np.arange()定義一個從 0 開始、長度為en_text的索引序列。 - 將序列中前
train_size個索引指定為train_inds。 - 定義
tr_en與tf_fr，其內容為在train_inds指定索引處，分別從en_text與fr_text清單中取得的句子。 - 定義
v_en與v_fr，其內容為在valid_inds指定索引處，分別從en_text與fr_text清單中取得的句子。
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。
train_size, valid_size = 800, 200
# Define a sequence of indices from 0 to size of en_text
inds = np.____(len(____))
np.random.shuffle(inds)
# Define train_inds as first train_size indices
train_inds = inds[:____]
valid_inds = inds[train_size:train_size+valid_size]
# Define tr_en (train EN sentences) and tr_fr (train FR sentences)
tr_en = [en_text[ti] for ti in ____]
tr_fr = [____[____] for ti in ____]
# Define v_en (valid EN sentences) and v_fr (valid FR sentences)
v_en = [en_text[____] for vi in ____]
v_fr = [____[____] for vi in ____]
print('Training (EN):\n', tr_en[:3], '\nTraining (FR):\n', tr_fr[:3])
print('\nValid (EN):\n', v_en[:3], '\nValid (FR):\n', v_fr[:3])