Share
Embed
Char-rnn aurkezpena
Manex Agirrezabal
March 14, 2016
Transcript
10 slides
-
Char-rnn Gure beharretarako moldatu behar: to swell the gourd and
plump the ha zel shells - ' - ' - ' - ' - ' wo man much missed how you call to me call to me ' - - ' - - ' - - ' - - -
Char-rnn Dataset-a testu soil gisa: To_= swell_+ the_= gourd_+ and_=
plump_+ the_= ha_+ zel_= shells_+ To_= swell_+ the_= gourd_+ and_= plump_+ the_= hazel_+= shells_+ Wo_+ man_= much_= missed_+ how_= you_= call_+ to_= me_= call_+ to_= me_= Woman_+= much_= missed_+ how_= you_= call_+ to_= me_= call_+ to_= me_= -
Char-rnn (training) $ th train.lua Parametroak: Model: [RNN, LSTM edo
GRU] rnn_size: LSTMaren (zelda) barruko tamaina num_layers: LSTMaren kapa kopurua seq_length: sekuentzian ikasteko karaktere kopurua -
Char-rnn (prediction) $ th sample(mod).lua Parametroak: Model: eredu entrenatua Primetext:
sarrera testua (_ karakterearekin amaituta) -
Char-rnn (prediction) Python programa bat (callSampleMod.py) aurreko programari deitzeko pausuz
pausu: $ th sampleMod.lua model M1 primetext “to_” = $ th sampleMod.lua model M1 primetext “to_= swell_” + $ th sampleMod.lua model M1 primetext “to_= swell_+ the_” = ... -
Char-rnn (prediction) Arazoa: Hasieran, informazio gutxi duenez, batzuetan hanka sartzen
(+ propagatzen) du predikzioan. Adibidez, “to_” sarrerarekin Horrentzako soluzioa, predikzioa bi aldetara egitea. -
Char-rnn (FW) Parametroak optimizatu nahi ditugu (seq_length, batch_size, rnn_size, ...)
Embedding-ak erabili nahi ditugu, baina gure hipotesia da ez dutela asko lagunduko.