ส่วนที่ 2: สำรวจฟังก์ชัน to_categorical()

ในส่วนที่ 1 คุณได้สร้างฟังก์ชัน compute_onehot_length() ซึ่งไม่ได้ใช้อาร์กิวเมนต์ num_classes ขณะคำนวณเวกเตอร์ one-hot

อาร์กิวเมนต์ num_classes ควบคุมความยาวของเวกเตอร์ one-hot ที่ฟังก์ชัน to_categorical() สร้างขึ้น เมื่อมีคอร์ปัส (corpus — คลังข้อความ) สองชุดที่มีคำศัพท์ต่างกัน การปล่อยให้ num_classes ไม่ได้กำหนดค่าอาจทำให้เวกเตอร์ one-hot มีความยาวไม่เท่ากัน

ในแบบฝึกหัดนี้ ฟังก์ชัน compute_onehot_length() และพจนานุกรม word2index ได้เตรียมไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Translation ด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

เรียกใช้ compute_onehot_length() กับ words_1
เรียกใช้ compute_onehot_length() กับ words_2
แสดงความยาวของเวกเตอร์ one-hot ที่ได้จาก words_1 และ words_2

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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 => ", ____)

แก้ไขและรันโค้ด