Partie 2 : Explorer la fonction to_categorical()
Dans la partie 1, vous avez implanté la fonction compute_onehot_length() qui n'utilisait pas l'argument num_classes lors du calcul des vecteurs one‑hot.
L'argument num_classes contrôle la longueur des vecteurs codés one‑hot produits par la fonction to_categorical(). Vous verrez que, lorsque vous avez deux corpus (c.-à-d. des collections de textes) avec des vocabulaires différents, laisser num_classes non défini peut mener à des vecteurs one‑hot de longueur variable.
Pour cet exercice, la fonction compute_onehot_length() et le dictionnaire word2index vous sont fournis.
Cette activité fait partie du cours
Traduction automatique avec Keras
Instructions de l’exercice
- Appelez
compute_onehot_length()surwords_1. - Appelez
compute_onehot_length()surwords_2. - Affichez les longueurs des vecteurs one‑hot obtenus pour
words_1etwords_2.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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 => ", ____)