Parte 2: Esplorare la funzione to_categorical()
Nella parte 1, hai implementato la funzione compute_onehot_length() che non usava l'argomento num_classes durante il calcolo dei vettori one-hot.
L'argomento num_classes controlla la lunghezza dei vettori one-hot prodotti dalla funzione to_categorical(). Vedrai che, in situazioni in cui hai due corpora (cioè raccolte di testi) con vocabolari diversi, lasciare num_classes non definito può produrre vettori one-hot di lunghezza variabile.
Per questo esercizio, la funzione compute_onehot_length() e il dizionario word2index sono già forniti.
Questo esercizio fa parte del corso
Traduzione automatica con Keras
Istruzioni dell'esercizio
- Chiama
compute_onehot_length()suwords_1. - Chiama
compute_onehot_length()suwords_2. - Stampa le lunghezze dei vettori one-hot ottenuti per
words_1ewords_2.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
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 => ", ____)