ส่วนที่ 1: สำรวจฟังก์ชัน to_categorical()

ทราบหรือไม่ว่าในปัญหาจริง ขนาดของคลังคำศัพท์อาจเติบโตได้มากจนมีคำมากกว่าหลักแสนคำ

แบบฝึกหัดนี้แบ่งออกเป็นสองส่วน โดยจะได้เรียนรู้ความสำคัญของการกำหนดอาร์กิวเมนต์ num_classes ในฟังก์ชัน to_categorical() ในส่วนที่ 1 จะได้ implement ฟังก์ชัน compute_onehot_length() ที่สร้าง one-hot vectors สำหรับรายการคำที่กำหนด และคำนวณความยาวของ vectors เหล่านั้น

ฟังก์ชัน to_categorical() ได้ถูก import มาแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Translation ด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้าง word ID โดยใช้ words และ word2index ใน compute_onehot_length()
สร้าง onehot vectors โดยใช้ฟังก์ชัน to_categorical() พร้อมกับ word ID ที่ได้
คืนค่าความยาวของ onehot vector ตัวเดียวโดยใช้ syntax <array>.shape
คำนวณและแสดงความยาวของ onehot vectors โดยใช้ compute_onehot_length() สำหรับรายการคำ He, drank, milk

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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(____([____,____,____], ____))

แก้ไขและรันโค้ด