Del 1: Utforska funktionen to_categorical()
Visste du att ordförrådet i verkliga problem kan bli mycket stort – till exempel mer än hundra tusen ord?
Den här övningen är uppdelad i två delar och du kommer att lära dig hur viktigt det är att ange argumentet num_classes i funktionen to_categorical(). I del 1 implementerar du funktionen compute_onehot_length(), som genererar one-hot-vektorer för en given lista med ord och beräknar längden på dessa vektorer.
Funktionen to_categorical() har redan importerats.
Den här övningen är en del av kursen
Maskinöversättning med Keras
Övningsinstruktioner
- Skapa ord-ID:n genom att använda
wordsochword2indexicompute_onehot_length(). - Skapa one-hot-vektorer med funktionen
to_categorical()och använd ord-ID:na. - Returnera längden på en enskild one-hot-vektor med syntaxen
<array>.shape. - Beräkna och skriv ut längden på one-hot-vektorerna med hjälp av
compute_onehot_length()för ordlistanHe,drank,milk.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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(____([____,____,____], ____))