Deel 2: Tekst-omkeerdermodel - Encoder

Je gaat nu de rest van de encoder van het tekst-omkeerdermodel implementeren. De encoder werkt op de one-hotvectoren die worden gemaakt door de functie words2onehot() die je eerder hebt geïmplementeerd.

Hier implementeer je de functie encoder(). De functie encoder() neemt een reeks one-hotvectoren en zet die om naar een lijst met woord-ID's.

Voor deze oefening zijn de functie words2onehot() en het woordenboek word2index (met de woorden We, like en dogs) beschikbaar gesteld.

Deze oefening maakt deel uit van de cursus

Machine Translation met Keras

Cursus bekijken

Oefeninstructies

Zet onehot om naar een array met woord-ID's met de functie np.argmax() en retourneer de woord-ID's.
Definieer een lijst met de woorden We, like, dogs.
Zet de woordenlijst om naar onehot-vectoren met de functie words2onehot(). Onthoud dat words2onehot() een lijst met woorden en een Python-woordenboek als argumenten krijgt.
Haal de contextvector van de onehot-vectoren op met de functie encoder().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

def encoder(onehot):
  # Get word IDs from onehot vectors and return the IDs
  word_ids = np.____(____, axis=____)
  return ____

# Define "We like dogs" as words
words = ____
# Convert words to onehot vectors using words2onehot
onehot = ____(____, ____)
# Get the context vector by using the encoder function
context = encoder(____)
print(context)

Code bewerken en uitvoeren