Deuxième partie : Définition du modèle complet

Saviez-vous qu'il a fallu environ 6 jours et 96 processeurs graphiques pour former une variante du traducteur automatique neuronal de Google uniquement pour la traduction de l'anglais vers le français ?

Dans cet exercice, vous allez définir un modèle de traduction automatique neuronale basé sur un encodeur-décodeur similaire, mais beaucoup plus simple. Plus précisément, vous utiliserez les entrées et sorties précédemment définies, définirez un objet Keras Model et compilerez le modèle avec une fonction de perte et un optimiseur donnés.

Vous trouverez ici les fichiers en_inputs (couche d'entrée de l'encodeur), en_out et en_state (sortie GRU de l'encodeur), de_out (sortie GRU du décodeur) et de_pred (prédiction du décodeur) que vous avez précédemment définis.

Cet exercice fait partie du cours

Traduction automatique avec Keras

Afficher le cours

Instructions

Définissez une fonction Keras d'Model qui prend comme entrées l'en_inputs et comme sortie les prédictions du décodeur (de_pred).
Compilez le modèle défini en appelant <model>.compile avec l'optimiseur 'adam', la perte de cross-entropie et la précision (acc) comme métrique.
Veuillez imprimer le résumé du modèle.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

from tensorflow.keras.models import Model
# Define a model with encoder input and decoder output
nmt = ____(____=____, outputs=____)

# Compile the model with an optimizer and a loss
nmt.____(optimizer=____, ____='categorical_crossentropy', metrics=[____])

# View the summary of the model 
nmt.____()

Modifier et exécuter le code