Bagian 1: Mengeksplorasi fungsi to_categorical()

Tahukah Anda bahwa pada permasalahan dunia nyata, ukuran kosakata dapat menjadi sangat besar (misalnya lebih dari ratusan ribu)?

Latihan ini dibagi menjadi dua bagian dan Anda akan mempelajari pentingnya menetapkan argumen num_classes pada fungsi to_categorical(). Pada bagian 1, Anda akan mengimplementasikan fungsi compute_onehot_length() yang menghasilkan vektor one-hot untuk daftar kata tertentu dan menghitung panjang vektor tersebut.

Fungsi to_categorical() sudah diimpor.

Latihan ini adalah bagian dari kursus

Penerjemahan Mesin dengan Keras

Lihat Kursus

Petunjuk latihan

Buat ID kata dengan menggunakan words dan word2index dalam compute_onehot_length().
Buat vektor one-hot menggunakan fungsi to_categorical() dengan ID kata.
Kembalikan panjang satu vektor one-hot menggunakan sintaks <array>.shape.
Hitung dan cetak panjang vektor one-hot menggunakan compute_onehot_length() untuk daftar kata He, drank, milk.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

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(____([____,____,____], ____))

Edit dan Jalankan Kode