Część 2: Poznajemy funkcję to_categorical()

W części 1 zaimplementowano funkcję compute_onehot_length(), która nie używała argumentu num_classes podczas obliczania wektorów one-hot.

Argument num_classes kontroluje długość wektorów zakodowanych metodą one-hot, produkowanych przez funkcję to_categorical(). Przekonasz się, że gdy masz dwa różne korpusy (czyli zbiory tekstów) o różnych słownikach, pozostawienie num_classes bez zdefiniowania może prowadzić do powstawania wektorów one-hot o różnych długościach.

Na potrzeby tego ćwiczenia funkcja compute_onehot_length() oraz słownik word2index zostały już przygotowane.

To ćwiczenie jest częścią kursu

Tłumaczenie maszynowe z Keras

Zobacz kurs

Instrukcje do ćwiczenia

Wywołaj compute_onehot_length() dla words_1.
Wywołaj compute_onehot_length() dla words_2.
Wypisz długości wektorów one-hot uzyskanych dla words_1 i words_2.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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 => ", ____)

Edytuj i uruchom kod