Parte 2: Explorando a função to_categorical()
Na parte 1, você implementou a função “ compute_onehot_length() ”, que não usava o argumento “ num_classes ” ao calcular vetores onehot.
O argumento ` num_classes controla o comprimento dos vetores codificados em one-hot produzidos pela função to_categorical() `. Você vai ver que, quando tem dois corpora (ou seja, coleções de textos) com vocabulários diferentes, deixar o num_classes sem definir pode fazer com que os vetores one-hot tenham comprimentos diferentes.
Para este exercício, a função compute_onehot_length() e o dicionário word2index foram fornecidos.
Este exercício faz parte do curso
Tradução automática com Keras
Instruções do exercício
- Chame
compute_onehot_length()comwords_1. - Chame
compute_onehot_length()comwords_2. - Imprima os comprimentos dos vetores one-hot obtidos para
words_1ewords_2.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
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 => ", ____)