Partea 2: Explorarea funcției to_categorical()

În partea 1, ai implementat funcția compute_onehot_length(), care nu folosea argumentul num_classes la calculul vectorilor one-hot.

Argumentul num_classes controlează lungimea vectorilor one-hot produși de funcția to_categorical(). Vei observa că, atunci când lucrezi cu două corpusuri diferite (adică colecții de texte) cu vocabulare diferite, lăsarea lui num_classes nedefinit poate duce la vectori one-hot de lungimi diferite.

Pentru acest exercițiu, funcția compute_onehot_length() și dicționarul word2index au fost deja furnizate.

Acest exercițiu face parte din cursul

Traducere automată cu Keras

Vezi cursul

Instrucțiuni pentru exercițiu

Apelează compute_onehot_length() pe words_1.
Apelează compute_onehot_length() pe words_2.
Afișează lungimile vectorilor one-hot obținuți pentru words_1 și words_2.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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 => ", ____)

Editează și rulează codul