ส่วนที่ 1: โมเดลกลับลำดับข้อความ - Encoder

การสร้างโมเดลกลับลำดับข้อความอย่างง่ายเป็นวิธีที่ดีในการทำความเข้าใจกลไกของโมเดล encoder-decoder และวิธีที่ทั้งสองส่วนเชื่อมต่อกัน ตอนนี้จะมาสร้างส่วน encoder ของโมเดลนี้กัน

การสร้าง encoder แบ่งออกเป็นสองแบบฝึกหัด ในแบบฝึกหัดนี้ จะเป็นการกำหนดฟังก์ชันช่วย words2onehot() โดยฟังก์ชัน words2onehot() รับ list ของคำและ dictionary word2index แล้วแปลง list ของคำนั้นให้เป็น array ของ one-hot vector ทั้งนี้ dictionary word2index พร้อมใช้งานใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Translation ด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

แปลงคำเป็น ID โดยใช้ dictionary word2index ในฟังก์ชัน words2onehot()
แปลง word ID เป็น onehot vector ที่มีความยาว 3 (โดยใช้ argument num_classes) แล้ว return array ที่ได้
เรียกใช้ฟังก์ชัน words2onehot() โดยส่งคำ I, like และ cats เข้าไป แล้วกำหนดผลลัพธ์ให้กับตัวแปร onehot
แสดงผลคำและ onehot vector ที่สอดคล้องกันโดยใช้ฟังก์ชัน print() และ zip() ซึ่งฟังก์ชัน zip() ช่วยให้วนซ้ำหลาย list พร้อมกันได้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

import numpy as np

def words2onehot(word_list, word2index):
  # Convert words to word IDs
  word_ids = [____[w] for w in ____]
  # Convert word IDs to onehot vectors and return the onehot array
  onehot = ____(____, num_classes=3)
  return ____

words = ["I", "like", "cats"]
# Convert words to onehot vectors using words2onehot
onehot = ____(____, ____)
# Print the result as (, ) tuples
print([(w,ohe.tolist()) for ____,____ in zip(words, ____)])

แก้ไขและรันโค้ด