distance = tf.keras.layers.Lambda(

lambda embeddings: tf.keras.backend.abs(embeddings[0] - embeddings[1])) ([enconder1, enconder2]) measureOfSimilarity = tf.keras.layers.Dense(1, activation='sigmoid') (distance)

Перейдем к обучению модели. Для этого мы используем 10 эпох (рис. 8.25).

Рис. 8.25

Обратите внимание, что при использовании 10 эпох мы достигли точности 97,49 %. Увеличение их числа еще больше повысит уровень точности.

РЕЗЮМЕ

Вэтой главе мы познакомились с нейронными сетями: изучили историю их раз­ вития, типы и компоненты. Мы подробно разобрали алгоритм градиентного спуска, который используется для обучения нейронных сетей, обсудили различ­ ные функции активации и их применение. Мы также рассмотрели концепцию переноса обучения. Наконец, мы разобрали практический пример использования нейронной сети для обучения модели МО‚ выявляющей поддельные документы.

Вследующей главе мы научимся использовать подобные алгоритмы для об­ работки естественного языка, обсудим концепцию эмбеддинга и использование рекуррентных сетей для обработки естественного языка. Наконец, мы познако­ мимся с анализом эмоциональной окраски текста.