Implementando o modelo completo encoder-decoder

Machine Translation with Keras

Thushan Ganegedara

Data Scientist and Author

O que você implementou até agora

  • O encoder consome a entrada em inglês (fonte)
  • O encoder produz o vetor de contexto
  • O decoder consome um conjunto repetido de vetores de contexto
  • O decoder gera a sequência de saída do GRU

Modelo encoder-decoder com repeat vector

Machine Translation with Keras

Parte superior do decoder

  • Implementado com camadas TimeDistributed e Dense.

Encoder-decoder com TimeDistributed

Machine Translation with Keras

Implementando o modelo completo

  • Encoder

    en_inputs = Input(shape=(en_len, en_vocab))
en_gru = GRU(hsize, return_state=True)
en_out, en_state = en_gru(en_inputs)

  • Decoder

    de_inputs = RepeatVector(fr_len)(en_state)
de_gru = GRU(hsize, return_sequences=True)
de_out = de_gru(de_inputs, initial_state=en_state)
Machine Translation with Keras

Implementando o modelo completo

  • A camada de predição softmax 
de_dense = keras.layers.Dense(fr_vocab, activation='softmax')
de_dense_time = keras.layers.TimeDistributed(de_dense)
de_pred = de_seq_dense(de_out)
Machine Translation with Keras

Compilando o modelo

Definindo o modelo completo

nmt = keras.models.Model(inputs=en_inputs, outputs=de_pred)

Compilando o modelo

nmt.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['acc'])
Machine Translation with Keras

Vamos praticar!

Machine Translation with Keras

Preparing Video For Download...