33ce0e5757
|
||
|---|---|---|
| .. | ||
| README.md | ||
README.md
Trenowanie modelu Skip-Gram
Zadanie laboratoryjne z AI for Beginners Curriculum.
Zadanie
W tym laboratorium wyzwaniem dla Ciebie jest wytrenowanie modelu Word2Vec przy użyciu techniki Skip-Gram. Wytrenuj sieć z osadzaniem (embedding), aby przewidywać sąsiadujące słowa w oknie Skip-Gram o szerokości N tokenów. Możesz użyć kodu z tej lekcji i nieco go zmodyfikować.
Zbiór danych
Możesz użyć dowolnej książki. Wiele darmowych tekstów znajdziesz na stronie Project Gutenberg, na przykład tutaj jest bezpośredni link do Alicji w Krainie Czarów Lewisa Carrolla. Możesz też skorzystać z dramatów Szekspira, które możesz pobrać za pomocą poniższego kodu:
path_to_file = tf.keras.utils.get_file(
'shakespeare.txt',
'https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt')
text = open(path_to_file, 'rb').read().decode(encoding='utf-8')
Eksploruj!
Jeśli masz czas i chcesz zgłębić temat, spróbuj zbadać kilka kwestii:
- Jak rozmiar osadzania wpływa na wyniki?
- Jak różne style tekstu wpływają na rezultat?
- Weź kilka bardzo różnych typów słów i ich synonimy, uzyskaj ich reprezentacje wektorowe, zastosuj PCA, aby zredukować wymiary do 2, i przedstaw je na wykresie w przestrzeni 2D. Czy widzisz jakieś wzorce?
Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż staramy się zapewnić dokładność, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.