Часть 1: знакомство с функцией to_categorical()

Знаете ли вы, что в реальных задачах размер словаря может быть очень большим — например, превышать сто тысяч слов?

Это упражнение состоит из двух частей. Вы познакомитесь с важностью аргумента num_classes функции to_categorical(). В первой части вам предстоит реализовать функцию compute_onehot_length(), которая генерирует унитарные векторы для заданного списка слов и вычисляет их длину.

Функция to_categorical() уже импортирована.

Это упражнение является частью курса

Машинный перевод с Keras

Посмотреть курс

Инструкции к упражнению

Создайте идентификаторы слов, используя words и word2index внутри функции compute_onehot_length().
Создайте унитарные векторы с помощью функции to_categorical(), передав ей идентификаторы слов.
Верните длину одного унитарного вектора, используя синтаксис <array>.shape.
Вычислите и выведите длину унитарных векторов с помощью compute_onehot_length() для списка слов He, drank, milk.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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

Редактировать и запускать код