Část 1: Prozkoumání funkce to_categorical()
Věděl/a jsi, že v reálných úlohách může slovní zásoba narůst do obrovských rozměrů (například přes sto tisíc slov)?
Toto cvičení je rozděleno do dvou částí a naučíš se, proč je důležité správně nastavit argument num_classes funkce to_categorical(). V části 1 implementuješ funkci compute_onehot_length(), která pro zadaný seznam slov vygeneruje one-hot vektory a vypočítá jejich délku.
Funkce to_categorical() je již naimportována.
Toto cvičení je součástí kurzu
Machine Translation with Keras
Pokyny k cvičení
- Vytvoř ID slov pomocí
wordsaword2indexuvnitř funkcecompute_onehot_length(). - Vytvoř one-hot vektory pomocí funkce
to_categorical()s využitím ID slov. - Pomocí syntaxe
<array>.shapevrať délku jednoho one-hot vektoru. - Vypočítej a vypiš délku one-hot vektorů pomocí funkce
compute_onehot_length()pro seznam slovHe,drank,milk.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
def compute_onehot_length(words, word2index):
# Create word IDs for words
word_ids = [____[w] for w in ____]
# Convert word IDs to onehot vectors
onehot = ____(____)
# Return the length of a single one-hot vector
return onehot.____[1]
word2index = {"He":0, "drank": 1, "milk": 2}
# Compute and print onehot length of a list of words
print(____([____,____,____], ____))