使用驗證來訓練模型

在這裡你會使用 Teacher Forcing 來訓練模型，並執行驗證步驟。你將以多個 epoch 與多次迭代來訓練模型，並在每個 epoch 結束時執行驗證並取得結果。

為此，已提供 en_text（英文句子）、fr_text（法文句子）、sents2seqs() 函式，以及已編譯好的模型 nmt_tf。你也已經載入了 tr_en 與 tr_fr（訓練資料），以及 v_en 和 v_fr（驗證資料）。

本練習屬於課程

使用 Keras 進行機器翻譯

檢視課程

練習說明

從 de_xy 萃取 decoder 輸入（除了最後一個以外的所有詞）與輸出（除了第一個以外的所有詞）。
在單一批次資料上訓練模型。
以與訓練資料相同的方式，從驗證資料建立 decoder 輸入與輸出。
在驗證資料集上評估模型，取得驗證損失與準確率。

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(n_epochs):
  for i in range(0,train_size,bsize):    
    en_x = sents2seqs('source', tr_en[i:i+bsize], onehot=True, reverse=True)
    de_xy = sents2seqs('target', tr_fr[i:i+bsize], onehot=True)
    # Create a single batch of decoder inputs and outputs
    de_x, de_y = ____[:,____,:], de_xy[:,____,:]
    # Train the model on a single batch of data
    nmt_tf.____([____,____], de_y)      
  v_en_x = sents2seqs('source', v_en, onehot=True, reverse=True)
  # Create a single batch of validation decoder inputs and outputs
  v_de_xy = ____('target', ____, onehot=____)
  v_de_x, v_de_y = ____[____], v_de_xy[____]
  # Evaluate the trained model on the validation data
  res = nmt_tf.evaluate([____,____], ____, batch_size=valid_size, verbose=0)
  print("{} => Loss:{}, Val Acc: {}".format(ei+1,res[0], res[1]*100.0))

編輯並執行程式碼