भाग 2: to_categorical() फंक्शन को समझना
भाग 1 में, आपने compute_onehot_length() फंक्शन इम्प्लीमेंट किया था, जिसमें one-hot वेक्टर निकालते समय num_classes आर्ग्युमेंट का उपयोग नहीं किया गया था.
num_classes आर्ग्युमेंट to_categorical() फंक्शन द्वारा बनाए गए one-hot एन्कोडेड वेक्टर की लंबाई को नियंत्रित करता है. जब आपके पास दो अलग-अलग कॉर्पस (यानी, टेक्स्ट संग्रह) हों और उनकी vocabularies अलग हों, तो num_classes को अनिर्दिष्ट छोड़ देने से अलग-अलग लंबाई के one-hot वेक्टर बन सकते हैं.
इस अभ्यास के लिए, compute_onehot_length() फंक्शन और word2index dictionary दी गई है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Keras के साथ Machine Translation
अभ्यास निर्देश
words_1परcompute_onehot_length()कॉल करें.words_2परcompute_onehot_length()कॉल करें.words_1औरwords_2के लिए प्राप्त one-hot वेक्टर की लंबाइयों को प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
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 => ", ____)