Bölüm 1: to_categorical() fonksiyonunu keşfetme

Gerçek dünyadaki problemlerde, sözlük (vocabulary) boyutunun çok büyük olabileceğini biliyor muydun (ör. yüz binlerden fazla)?

Bu egzersiz iki bölüme ayrılmıştır ve to_categorical() fonksiyonunun num_classes argümanını ayarlamanın önemini öğreneceksin. 1. bölümde, verilen bir kelime listesi için one-hot vektörler üreten ve bu vektörlerin uzunluğunu hesaplayan compute_onehot_length() fonksiyonunu uygulayacaksın.

to_categorical() fonksiyonu zaten içe aktarılmış durumda.

Bu egzersiz

Keras ile Machine Translation

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

compute_onehot_length() içinde words ve word2index kullanarak kelime ID’lerini oluştur.
Kelime ID’lerini kullanarak to_categorical() fonksiyonu ile one-hot vektörleri oluştur.
<array>.shape sözdizimini kullanarak tek bir one-hot vektörün uzunluğunu döndür.
He, drank, milk kelime listesi için compute_onehot_length() kullanarak one-hot vektörlerin uzunluğunu hesapla ve yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

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

Kodu Düzenle ve Çalıştır