Deuxième partie : Modèle d'inversion de texte - Encodeur

Vous allez maintenant implémenter le reste de l'encodeur du modèle d'inversion de texte. L'encodeur se nourrit des vecteurs one-hot produits par la fonction d'words2onehot() que vous avez implémentée précédemment.

Ici, vous allez implémenter la fonction d'encoder(). La fonction « encoder() » prend un ensemble de vecteurs one-hot et les convertit en une liste d'identifiants de mots.

Pour cet exercice, la fonction « words2onehot() » et le dictionnaire « word2index » (contenant les mots « We », « like » et « dogs ») ont été fournis.

Cet exercice fait partie du cours

Traduction automatique avec Keras

Afficher le cours

Instructions

Convertissez onehot en un tableau d'identifiants de mots à l'aide de la fonction np.argmax() et renvoyez les identifiants de mots.
Définissez une liste de mots contenant les mots « We », « like » et « dogs ».
Convertissez la liste de mots en vecteurs onehot à l'aide de la fonction « words2onehot() ». Veuillez noter que la commande « words2onehot() » prend une liste de mots et un dictionnaire Python comme arguments.
Obtenez le vecteur de contexte des vecteurs onehot à l'aide de la fonction encoder().

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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)

Modifier et exécuter le code