定义推理模型的解码器

推理模型是在真实使用场景中为用户执行翻译的模型。在本练习中，您需要实现推理模型的解码器。

推理模型的解码器与训练模型的解码器不同。我们不能把法语词喂给解码器，因为那正是我们要预测的目标。幸运的是，有一个办法：可以使用上一个时间步预测得到的法语词来喂给推理模型的解码器。因此，当您要生成翻译时，解码器需要一次生成一个词，并将上一步的输出作为下一步的输入。

在本练习中，变量 hsize（GRU 层的隐藏大小）、fr_len 和 fr_vocab 已经导入。请记住，前缀 de 用于指代解码器。

本练习是课程的一部分

使用 Keras 的机器翻译

查看课程

练习说明

定义一个 Input 层，用于接收一批独热编码的法语词序列（序列长度为 1）。
再定义一个 Input 层，用于接收一批 hsize 维度的状态，您将用它把上一步的状态传给解码器。
获取解码器 GRU 的输出和状态。
定义一个模型，接收法语词的 Input 和上一步状态的 Input，并输出最终预测以及新的 GRU 状态。

交互式实操练习

通过完成这段示例代码来试试这个练习。

import tensorflow.keras.layers as layers
from tensorflow.keras.models import Model
# Define an input layer that accepts a single onehot encoded word
de_inputs = layers.____(shape=(____, ____))
# Define an input to accept the t-1 state
de_state_in = layers.____(shape=(____,))
de_gru = layers.GRU(hsize, return_state=True)
# Get the output and state from the GRU layer
de_out, de_state_out = ____(de_inputs, initial_state=____)
de_dense = layers.Dense(fr_vocab, activation='softmax')
de_pred = de_dense(de_out)

# Define a model
decoder = Model(inputs=[____, ____], outputs=[____, ____])
print(decoder.summary())

编辑并运行代码