Часть 2: изучение функции to_categorical()

В части 1 вы реализовали функцию compute_onehot_length(), которая не использовала аргумент num_classes при вычислении унитарных векторов.

Аргумент num_classes определяет длину унитарных векторов, создаваемых функцией to_categorical(). Вы увидите, что в ситуациях, когда у вас есть два разных корпуса (то есть набора текстов) с разными словарными запасами, отсутствие num_classes может приводить к унитарным векторам разной длины.

Для этого упражнения функция compute_onehot_length() и словарь word2index уже предоставлены.

Это упражнение является частью курса

Машинный перевод с Keras

Посмотреть курс

Инструкции к упражнению

Вызовите compute_onehot_length() для words_1.
Вызовите compute_onehot_length() для words_2.
Выведите длины унитарных векторов, полученных для words_1 и words_2.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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 => ", ____)

Редактировать и запускать код