Bölüm 2: to_categorical() fonksiyonunu keşfetme
Bölüm 1'de, one-hot vektörleri hesaplarken num_classes argümanını kullanmayan compute_onehot_length() fonksiyonunu yazdın.
to_categorical() fonksiyonunun ürettiği one-hot kodlamalı vektörlerin uzunluğunu num_classes argümanı belirler. Farklı sözcük dağarcıklarına sahip iki farklı derlem (yani metin koleksiyonu) olduğunda, num_classes tanımlı değilse one-hot vektörlerin uzunluklarının değişebileceğini göreceksin.
Bu egzersizde, compute_onehot_length() fonksiyonu ve word2index sözlüğü sağlandı.
Bu egzersiz
Keras ile Machine Translation
kursunun bir parçasıdırEgzersiz talimatları
compute_onehot_length()fonksiyonunuwords_1üzerinde çağır.compute_onehot_length()fonksiyonunuwords_2üzerinde çağır.words_1vewords_2için elde edilen one-hot vektörlerinin uzunluklarını yazdır.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
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 => ", ____)