Teil 2: Textumkehrmodell – Encoder
Jetzt machst du den Rest des Encoders für das Textumkehrmodell fertig. Der Encoder wird mit den One-Hot-Vektoren gefüttert, die von der zuvor implementierten Funktion „ words2onehot() “ erzeugt wurden.
Hier implementierst du die Funktion „ encoder() “. Die Funktion „ encoder() “ nimmt einen Satz von One-Hot-Vektoren und wandelt sie in eine Liste von Wort-IDs um.
Für diese Übung gibt's die Funktion „ words2onehot() ” und das Wörterbuch „ word2index ” (mit den Wörtern „ We ”, „ like ” und „ dogs ”).
Diese Übung ist Teil des Kurses
Maschinelle Übersetzung mit Keras
Anleitung zur Übung
- Konvertier „
onehot“ mit der Funktion „np.argmax()“ in ein Array von Wort-IDs und gib die Wort-IDs zurück. - Erstelle eine Liste mit Wörtern wie „
We“, „like“ und „dogs“. - Konvertier die Liste der Wörter mit der Funktion „
words2onehot()“ in One-Hot-Vektoren. Denk dran, dass „words2onehot()“ eine Liste von Wörtern und ein Python-Wörterbuch als Argumente braucht. - Hol dir den Kontextvektor der One-Hot-Vektoren mit der Funktion „
encoder()“.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
def encoder(onehot):
# Get word IDs from onehot vectors and return the IDs
word_ids = np.____(____, axis=____)
return ____
# Define "We like dogs" as words
words = ____
# Convert words to onehot vectors using words2onehot
onehot = ____(____, ____)
# Get the context vector by using the encoder function
context = encoder(____)
print(context)