Partie 1 : Explorer la fonction to_categorical()
Saviez-vous que, dans des problèmes réels, la taille du vocabulaire peut devenir très grande (p. ex. plus de cent mille) ?
Cet exercice est divisé en deux parties et vous apprendrez l'importance de définir l'argument num_classes de la fonction to_categorical(). Dans la partie 1, vous allez implémenter la fonction compute_onehot_length() qui génère des vecteurs one-hot pour une liste de mots donnée et calcule la longueur de ces vecteurs.
La fonction to_categorical() a déjà été importée.
Cette activité fait partie du cours
Traduction automatique avec Keras
Instructions de l’exercice
- Créez les identifiants de mots en utilisant
wordsetword2indexdanscompute_onehot_length(). - Créez des vecteurs onehot à l'aide de la fonction
to_categorical()en utilisant les identifiants de mots. - Retournez la longueur d'un seul vecteur onehot en utilisant la syntaxe
<array>.shape. - Calculez et affichez la longueur des vecteurs onehot avec
compute_onehot_length()pour la liste de motsHe,drank,milk.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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(____([____,____,____], ____))