Parte 1: Modelo de reversão de texto - Encoder

Criar um modelo simples de reversão de texto é uma ótima maneira de entender a mecânica dos modelos encoder-decoder e como eles se conectam. Agora você vai implementar a parte do encoder de um modelo de reversão de texto.

A implementação do encoder foi dividida em dois exercícios. Neste exercício, você vai definir a função auxiliar words2onehot(). A função words2onehot() deve receber uma lista de palavras e um dicionário word2index e converter a lista de palavras em um array de vetores one-hot. O dicionário word2index está disponível no workspace.

Este exercício faz parte do curso

Machine Translation with Keras

Ver curso

Instruções do exercício

Converta palavras em IDs usando o dicionário word2index na função words2onehot()
Converta os IDs de palavras em vetores one-hot de comprimento 3 (usando o argumento num_classes) e retorne o array resultante.
Chame a função words2onehot() com as palavras I, like e cats e atribua o resultado a onehot.
Imprima as palavras e seus vetores one-hot correspondentes usando as funções print() e zip(). A função zip() permite iterar várias listas ao mesmo tempo.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

import numpy as np

def words2onehot(word_list, word2index):
  # Convert words to word IDs
  word_ids = [____[w] for w in ____]
  # Convert word IDs to onehot vectors and return the onehot array
  onehot = ____(____, num_classes=3)
  return ____

words = ["I", "like", "cats"]
# Convert words to onehot vectors using words2onehot
onehot = ____(____, ____)
# Print the result as (, ) tuples
print([(w,ohe.tolist()) for ____,____ in zip(words, ____)])

Editar e executar o código