Part 1: Text reversing model - Encoder
एक साधा टेक्स्ट रिवर्सिंग मॉडल बनाना encoder-decoder मॉडलों की यांत्रिकी और उनके आपसी कनेक्शन को समझने का बेहतरीन तरीका है. अब आप टेक्स्ट रिवर्सिंग मॉडल के encoder हिस्से को इम्प्लीमेंट करेंगे.
Encoder का इम्प्लीमेंटेशन दो अभ्यासों में बाँटा गया है. इस अभ्यास में, आप words2onehot() हेल्पर फंक्शन को परिभाषित करेंगे. words2onehot() फंक्शन को शब्दों की एक लिस्ट और word2index नामक dictionary इनपुट के रूप में लेनी चाहिए और उस लिस्ट को one-hot वेक्टर के array में बदलना चाहिए. word2index dictionary वर्कस्पेस में उपलब्ध है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Keras के साथ Machine Translation
अभ्यास निर्देश
words2onehot()फंक्शन मेंword2indexdictionary का उपयोग करके शब्दों को IDs में बदलें.- शब्द IDs को लंबाई
3वाले onehot वेक्टर में बदलें (यानिnum_classesआर्ग्युमेंट का उपयोग करें) और प्राप्त array को रिटर्न करें. I,likeऔरcatsशब्दों के साथwords2onehot()फंक्शन कॉल करें और परिणामonehotको असाइन करें.print()औरzip()फंक्शंस का उपयोग करके शब्दों और उनके संबंधित onehot वेक्टर प्रिंट करें.zip()फंक्शन आपको एक ही समय में कई लिस्ट पर iterate करने देता है.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
import numpy as np
def words2onehot(word_list, word2index):
# Convert words to word IDs
word_ids = [____[w] for w in ____]
# Convert word IDs to onehot vectors and return the onehot array
onehot = ____(____, num_classes=3)
return ____
words = ["I", "like", "cats"]
# Convert words to onehot vectors using words2onehot
onehot = ____(____, ____)
# Print the result as (, ) tuples
print([(w,ohe.tolist()) for ____,____ in zip(words, ____)])