机器翻译和语音识别关键字

机器翻译：（这个项目需要配置环境 Faker==4.0.2）

导入包：

 1 将人类可读的日期转换成机器可读的日期：

 现在你可以使用这些层来实现one_step_attention()。 为了通过这些层之一传播Keras张量对象X，请使用layer（X）（如果需要多个输入则使用layer（[X，Y]））。densor(X)将通过上面定义的 Dense(1) 层传播X。

 在对model()函数进行编码之后，你将能够检查one_step_attention()的预期输出。

 

预期输出:

Here is the summary you should see
| Total params: | 185,484 |
| ------------------------------------- | --------------- |
| Trainable params: | 185,484 |
| Non-trainable params: | 0 |
| bidirectional_1's output shape | (None, 30, 128) |
| repeat_vector_1's output shape | (None, 30, 128) |
| concatenate_1's output shape | (None, 30, 256) |
| attention_weights's output shape | (None, 30, 1) |
| dot_1's output shape | (None, 1, 128) |
| dense_2's output shape | (None, 11) |

 关键字语音识别：（这个项目需要配置环境 pydub==0.23.1）

导入包：

 

 预期输出
Segment Time: (2915, 3569)

 

 

 

 练习：实现model()

 

网络的输出为（None，1375，1），输入为（None，5511，101）。Conv1D将步数从频谱图上的5511减少到1375。

 

 

 测试开发集：