Bölüm 1: Metin tersine çevirme modeli - Encoder

Basit bir metin tersine çevirme modeli kurmak, encoder-decoder modellerinin çalışma mantığını ve nasıl bağlandıklarını anlamak için harika bir yöntemdir. Şimdi bir metin tersine çevirme modelinin encoder kısmını uygulayacaksın.

Encoder uygulaması iki egzersize bölündü. Bu egzersizde words2onehot() yardımcı fonksiyonunu tanımlayacaksın. words2onehot() fonksiyonu bir kelime listesi ve bir word2index sözlüğü almalı ve kelime listesini one-hot vektörlerden oluşan bir diziye dönüştürmelidir. word2index sözlüğü çalışma alanında mevcut.

Bu egzersiz, kursun bir parçasıdır

Keras ile Machine Translation

Kursa Göz Atın

Egzersiz talimatları

words2onehot() fonksiyonunda word2index sözlüğünü kullanarak kelimeleri kimliklere (ID) dönüştür.
Kelime kimliklerini uzunluğu 3 olan one-hot vektörlere dönüştür (bunu num_classes argümanıyla yap) ve oluşan diziyi döndür.
words2onehot() fonksiyonunu I, like ve cats kelimeleriyle çağır ve sonucu onehot değişkenine ata.
print() ve zip() fonksiyonlarını kullanarak kelimeleri ve karşılık gelen one-hot vektörlerini yazdır. zip() fonksiyonu aynı anda birden fazla liste üzerinde yineleme yapmana olanak tanır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

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, ____)])

Kodu Düzenle ve Çalıştır