Del 2: Utforska funktionen to_categorical()

I del 1 implementerade du funktionen compute_onehot_length(), som inte använde argumentet num_classes när den beräknade one-hot-vektorer.

Argumentet num_classes styr längden på de one-hot-kodade vektorer som to_categorical() producerar. Du kommer att se att om du har två olika korpusar (dvs. textsamlingar) med olika ordförråd, kan en odefinierad num_classes leda till one-hot-vektorer av varierande längd.

För den här övningen har funktionen compute_onehot_length() och ordboken word2index tillhandahållits.

Den här övningen är en del av kursen

Maskinöversättning med Keras

Visa kurs

Övningsinstruktioner

Anropa compute_onehot_length() med words_1.
Anropa compute_onehot_length() med words_2.
Skriv ut längderna på de one-hot-vektorer som erhölls för words_1 och words_2.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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 => ", ____)

Redigera och kör kod