Del 2: Modell för textomvändning – Encoder

Nu ska du implementera resten av encodern i textomvändningsmodellen. Encodern tar emot de one-hot-vektorer som produceras av funktionen words2onehot(), som du implementerade tidigare.

Här implementerar du funktionen encoder(). Den tar emot en uppsättning one-hot-vektorer och konverterar dem till en lista med ord-ID:n.

För den här övningen har funktionen words2onehot() och ordboken word2index (med orden We, like och dogs) redan tillhandahållits.

Den här övningen är en del av kursen

Maskinöversättning med Keras

Visa kurs

Övningsinstruktioner

Konvertera onehot till en array med ord-ID:n med hjälp av funktionen np.argmax() och returnera ord-ID:na.
Definiera en lista med orden We, like, dogs.
Konvertera ordlistan till one-hot-vektorer med funktionen words2onehot(). Kom ihåg att words2onehot() tar en ordlista och en Python-ordbok som argument.
Hämta kontextvektorn för one-hot-vektorerna med funktionen encoder().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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)

Redigera och kör kod