Część 1: Odkrywamy funkcję to_categorical()
Czy wiesz, że w rzeczywistych problemach słownik może być bardzo duży – nawet powyżej stu tysięcy słów?
To ćwiczenie składa się z dwóch części. Poznasz w nich znaczenie argumentu num_classes funkcji to_categorical(). W części 1 zaimplementujesz funkcję compute_onehot_length(), która generuje wektory one-hot dla podanej listy słów i oblicza ich długość.
Funkcja to_categorical() została już zaimportowana.
To ćwiczenie jest częścią kursu
Tłumaczenie maszynowe z Keras
Instrukcje do ćwiczenia
- Utwórz identyfikatory słów, używając
wordsiword2indexwewnątrz funkcjicompute_onehot_length(). - Utwórz wektory one-hot za pomocą funkcji
to_categorical(), przekazując listę identyfikatorów słów. - Zwróć długość pojedynczego wektora one-hot, korzystając ze składni
<array>.shape. - Oblicz i wyświetl długość wektorów one-hot, wywołując
compute_onehot_length()dla listy słówHe,drank,milk.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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(____([____,____,____], ____))