Bagian 1: Model pembalik teks - Encoder

Membuat model sederhana untuk membalik teks adalah cara yang sangat baik untuk memahami mekanisme model encoder-decoder dan bagaimana keduanya terhubung. Sekarang Anda akan mengimplementasikan bagian encoder dari model pembalik teks.

Implementasi encoder dibagi menjadi dua latihan. Pada latihan ini, Anda akan mendefinisikan fungsi pembantu words2onehot(). Fungsi words2onehot() menerima sebuah list kata dan sebuah dictionary word2index, lalu mengonversi list kata tersebut menjadi array vektor one-hot. Dictionary word2index tersedia di workspace.

Latihan ini adalah bagian dari kursus

Penerjemahan Mesin dengan Keras

Lihat Kursus

Petunjuk latihan

Konversikan kata menjadi ID menggunakan dictionary word2index di dalam fungsi words2onehot()
Konversikan ID kata menjadi vektor one-hot dengan panjang 3 (menggunakan argumen num_classes) dan kembalikan array hasilnya.
Panggil fungsi words2onehot() dengan kata I, like, dan cats, lalu simpan hasilnya ke onehot.
Cetak kata-kata beserta vektor one-hot yang sesuai menggunakan fungsi print() dan zip(). Fungsi zip() memungkinkan Anda untuk melakukan iterasi beberapa list sekaligus.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

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, ____)])

Edit dan Jalankan Kode