Partea 1: Explorarea funcției to_categorical()

Știai că în problemele reale, dimensiunea vocabularului poate deveni foarte mare (de exemplu, peste o sută de mii de cuvinte)?

Acest exercițiu este împărțit în două părți și vei înțelege importanța setării argumentului num_classes al funcției to_categorical(). În partea 1, vei implementa funcția compute_onehot_length(), care generează vectori one-hot pentru o listă dată de cuvinte și calculează lungimea acestor vectori.

Funcția to_categorical() a fost deja importată.

Acest exercițiu face parte din cursul

Traducere automată cu Keras

Vezi cursul

Instrucțiuni pentru exercițiu

Creează ID-urile cuvintelor folosind words și word2index în compute_onehot_length().
Creează vectorii one-hot folosind funcția to_categorical() cu ID-urile cuvintelor obținute.
Returnează lungimea unui singur vector one-hot folosind sintaxa <array>.shape.
Calculează și afișează lungimea vectorilor one-hot folosind compute_onehot_length() pentru lista de cuvinte He, drank, milk.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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(____([____,____,____], ____))

Editează și rulează codul