Část 2: Zkoumáme funkci to_categorical()

V části 1 jsi implementoval/a funkci compute_onehot_length(), která při výpočtu one-hot vektorů nevyužívala argument num_classes.

Argument num_classes určuje délku one-hot vektorů, které funkce to_categorical() vytváří. Uvidíš, že v situacích, kdy pracuješ se dvěma různými korpusy (tj. kolekcemi textů) s odlišnými slovníky, může vynechání num_classes vést k one-hot vektorům různých délek.

Pro toto cvičení jsou funkce compute_onehot_length() a slovník word2index již připraveny.

Toto cvičení je součástí kurzu

Machine Translation with Keras

Zobrazit kurz

Pokyny k cvičení

Zavolej compute_onehot_length() na words_1.
Zavolej compute_onehot_length() na words_2.
Vypiš délky one-hot vektorů získaných pro words_1 a words_2.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

words_1 = ["I", "like", "cats", "We", "like", "dogs", "He", "hates", "rabbits"]
# Call compute_onehot_length on words_1
length_1 = ____(____, ____)

words_2 = ["I", "like", "cats", "We", "like", "dogs", "We", "like", "cats"]
# Call compute_onehot_length on words_2
length_2 = ____(____, ____)

# Print length_1 and length_2
print("length_1 =>", ____, " and length_2 => ", ____)

Upravit a spustit kód