生成翻译

现在，您将使用通过 Teacher Forcing 训练得到的推理模型来生成法语翻译。

该模型（nmt_tf）在 100,000 条句子上训练了 50 个 epoch，在 35,000+ 的验证集上达到了约 98% 的准确率。本练习初始化可能会稍慢一些，因为需要加载已训练的模型。我们已为您提供 sents2seqs() 函数。同时提供了两个新函数：

word2onehot(tokenizer, word, vocab_size)，其参数为：

tokenizer - 一个 Keras 的 Tokenizer 对象
word - 词表中的一个字符串（例如 'apple'）
vocab_size - 词表大小

probs2word(probs, tok)，其参数为：

probs - 模型的输出，形状为 [1,<French Vocab Size>]
tok - 一个 Keras 的 Tokenizer 对象

您可以在控制台输入 print(inspect.getsource(word2onehot)) 和 print(inspect.getsource(probs2word)) 来查看这些函数的源代码。

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

使用编码器预测初始解码器状态（de_s_t）。
使用上一次的预测结果（输出）和上一次的状态作为输入，从解码器中预测当前输出和新状态。请记得以递归方式更新并生成新状态。
使用 probs2word() 函数从概率输出中得到对应的词字符串。
使用 word2onehot() 函数将该词字符串转换为独热序列。

交互式实操练习

通过完成这段示例代码来试试这个练习。

en_sent = ['the united states is sometimes chilly during december , but it is sometimes freezing in june .']
print('English: {}'.format(en_sent))
en_seq = sents2seqs('source', en_sent, onehot=True, reverse=True)
# Predict the initial decoder state with the encoder
de_s_t = ____.predict(____)
de_seq = word2onehot(fr_tok, 'sos', fr_vocab)
fr_sent = ''
for i in range(fr_len):    
  # Predict from the decoder and recursively assign the new state to de_s_t
  de_prob, ____ = ____.predict([____,____])
  # Get the word from the probability output using probs2word
  de_w = probs2word(____, fr_tok)
  # Convert the word to a onehot sequence using word2onehot
  de_seq = word2onehot(fr_tok, ____, fr_vocab)
  if de_w == 'eos': break
  fr_sent += de_w + ' '
print("French (Ours): {}".format(fr_sent))
print("French (Google Translate): les etats-unis sont parfois froids en décembre, mais parfois gelés en juin")

编辑并运行代码