Část 1: Model pro obrácení textu – enkodér

Vytvoření jednoduchého modelu pro obrácení textu je skvělý způsob, jak pochopit mechaniku architektur enkodér–dekodér a způsob, jakým jsou propojeny. Teď implementuješ část enkodéru takového modelu.

Implementace enkodéru je rozdělena do dvou cvičení. V tomto cvičení definuješ pomocnou funkci words2onehot(). Funkce words2onehot() by měla přijmout seznam slov a slovník word2index a převést seznam slov na pole one-hot vektorů. Slovník word2index je dostupný v pracovním prostoru.

Toto cvičení je součástí kurzu

Machine Translation with Keras

Zobrazit kurz

Pokyny k cvičení

Převeď slova na ID pomocí slovníku word2index uvnitř funkce words2onehot().
Převeď ID slov na one-hot vektory o délce 3 (pomocí argumentu num_classes) a vrať výsledné pole.
Zavolej funkci words2onehot() se slovy I, like a cats a výsledek přiřaď do proměnné onehot.
Vypiš slova a jejich odpovídající one-hot vektory pomocí funkcí print() a zip(). Funkce zip() umožňuje iterovat přes více seznamů najednou.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

import numpy as np

def words2onehot(word_list, word2index):
  # Convert words to word IDs
  word_ids = [____[w] for w in ____]
  # Convert word IDs to onehot vectors and return the onehot array
  onehot = ____(____, num_classes=3)
  return ____

words = ["I", "like", "cats"]
# Convert words to onehot vectors using words2onehot
onehot = ____(____, ____)
# Print the result as (, ) tuples
print([(w,ohe.tolist()) for ____,____ in zip(words, ____)])

Upravit a spustit kód