Teil 1: Textumkehrmodell – Encoder
Ein einfaches Modell zum Umkehren von Text zu erstellen ist eine super Methode, um die Mechanismen von Encoder-Decoder-Modellen und deren Zusammenhänge zu verstehen. Jetzt wirst du den Encoder-Teil eines Textumkehrmodells umsetzen.
Die Umsetzung des Encoders wurde auf zwei Übungen aufgeteilt. In dieser Übung definierst du die Hilfsfunktion „ words2onehot() “. Die Funktion „ words2onehot() “ sollte eine Liste von Wörtern und ein Wörterbuch „ word2index “ nehmen und die Liste der Wörter in ein Array von One-Hot-Vektoren umwandeln. Das Wörterbuch „ word2index “ ist im Arbeitsbereich verfügbar.
Diese Übung ist Teil des Kurses
Maschinelle Übersetzung mit Keras
Anleitung zur Übung
- Wörter mit dem Wörterbuch „
word2index“ in der Funktion „words2onehot()“ in IDs umwandeln - Wandelt Wort-IDs in One-Hot-Vektoren mit der Länge
3um (mit dem Argument „num_classes“) und gibt das resultierende Array zurück. - Ruf die Funktion „
words2onehot()“ mit den Wörtern „I“, „like“ und „cats“ auf und speicher das Ergebnis in „onehot“. - Druck die Wörter und die dazugehörigen One-Hot-Vektoren mit den Funktionen „
print()“ und „zip()“. Mit der Funktion „zip()“ kannst du mehrere Listen gleichzeitig durchlaufen.
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
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, ____)])