파트 2: to_categorical() 함수 살펴보기
파트 1에서는 num_classes 인수를 사용하지 않고 원-핫 벡터를 계산하는 compute_onehot_length() 함수를 구현하셨습니다.
num_classes 인수는 to_categorical() 함수가 생성하는 원-핫 인코딩 벡터의 길이를 제어합니다. 서로 다른 어휘를 가진 두 개의 코퍼스(텍스트 모음)가 있을 때 num_classes를 지정하지 않으면, 원-핫 벡터의 길이가 서로 달라질 수 있음을 보게 됩니다.
이번 연습에서는 compute_onehot_length() 함수와 word2index 사전이 제공됩니다.
이 연습은 강의의 일부입니다
Keras로 배우는 Machine Translation
연습 안내
words_1에 대해compute_onehot_length()를 호출하세요.words_2에 대해compute_onehot_length()를 호출하세요.words_1과words_2에서 얻은 원-핫 벡터의 길이를 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
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 => ", ____)