Часть 2: Модель обращения текста — энкодер

Теперь вам предстоит реализовать оставшуюся часть энкодера модели обращения текста. Энкодер принимает на вход унитарные векторы (one-hot vectors), которые создаёт функция words2onehot(), реализованная ранее.

В этом упражнении вы реализуете функцию encoder(). Она принимает набор унитарных векторов и преобразует их в список идентификаторов слов.

Для этого упражнения уже предоставлены функция words2onehot() и словарь word2index, содержащий слова We, like и dogs.

Это упражнение является частью курса

Машинный перевод с Keras

Посмотреть курс

Инструкции к упражнению

Преобразуйте onehot в массив идентификаторов слов с помощью функции np.argmax() и верните полученные идентификаторы.
Определите список слов, включающий We, like, dogs.
Преобразуйте список слов в унитарные векторы с помощью функции words2onehot(). Помните, что words2onehot() принимает список слов и словарь Python в качестве аргументов.
Получите контекстный вектор для унитарных векторов с помощью функции encoder().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

def encoder(onehot):
  # Get word IDs from onehot vectors and return the IDs
  word_ids = np.____(____, axis=____)
  return ____

# Define "We like dogs" as words
words = ____
# Convert words to onehot vectors using words2onehot
onehot = ____(____, ____)
# Get the context vector by using the encoder function
context = encoder(____)
print(context)

Редактировать и запускать код