Implementacja pełnego modelu encoder-decoder

Tłumaczenie maszynowe z Keras

Thushan Ganegedara

Data Scientist and Author

Co zostało zaimplementowane

  • Encoder przyjmuje angielskie (źródłowe) dane wejściowe
  • Encoder produkuje wektor kontekstu
  • Decoder przyjmuje powtórzony zestaw wektorów kontekstu
  • Decoder zwraca sekwencję wyjściową GRU

Model encoder-decoder z powtórzonym wektorem

Tłumaczenie maszynowe z Keras

Górna część dekodera

  • Zaimplementowane z warstwami TimeDistributed i Dense.

Encoder-decoder z TimeDistributed

Tłumaczenie maszynowe z Keras

Implementacja pełnego modelu

  • 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)
Tłumaczenie maszynowe z Keras

Implementacja pełnego modelu

  • Warstwa predykcji 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)
Tłumaczenie maszynowe z Keras

Kompilacja modelu

Definiowanie pełnego modelu

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

Kompilacja modelu

nmt.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['acc'])
Tłumaczenie maszynowe z Keras

Czas na ćwiczenia!

Tłumaczenie maszynowe z Keras

Preparing Video For Download...