在這個練習中,你要比較人工神經網路(ANN)與循環神經網路(RNN)架構的參數數量。這裡兩種模型的詞彙表大小都設為 10,000。
10,000
我們已為你定義好模型,兩者的架構相近:只有 1 個含有 256 個單元的單層(Dense 或 RNN),再加上輸出層。它們分別儲存在變數 ann_model 與 rnn_model 中。
256
ann_model
rnn_model
使用 .summary() 方法列印模型的架構與參數數量,然後選出正確的敘述。
.summary()
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
本章將帶你學習循環神經網路(RNN)的基礎。從先備知識開始,接著理解資訊如何在網路中流動,最後在情緒分類任務中,示範如何用 Keras 實作這類模型。
當前練習
你將學到 RNN 中常見的梯度消失與梯度爆炸問題,以及如何透過 GRU 與 LSTM 單元來因應。 此外,你會為語言模型建立 embedding 層,並再次回顧情緒分類任務。
接著在本章中,你將學會如何為多類別分類任務準備資料,並了解多類別分類與二元分類(情緒分析)之間的差異。最後,你會學到如何在 Keras 中建立模型並評估其效能。
本章將介紹兩種 RNN 模型的應用:文字生成與神經機器翻譯。你會學到如何將文字資料整理成模型所需的格式。 文字生成模型可用來重現特定角色的說話風格,這裡我們會有點樂趣,模仿《宅男行不行》裡的 Sheldon。 神經機器翻譯被應用在更複雜的模型中,例如 Google 翻譯。在本章中,你將建立一個把短句葡萄牙文翻譯成英文的模型。