Частина 1: Досліджуємо функцію to_categorical()
Чи знаєте ви, що у реальних задачах розмір словника може бути дуже великим (наприклад, понад сто тисяч)?
Цю вправу поділено на дві частини, і ви дізнаєтеся, чому важливо задавати аргумент num_classes у функції to_categorical(). У частині 1 ви реалізуєте функцію compute_onehot_length(), яка створює one-hot вектори для заданого списку слів і обчислює довжину цих векторів.
Функцію to_categorical() уже імпортовано.
Ця вправа є частиною курсу
Machine Translation з Keras
Інструкції до вправи
- Створіть ID слів, використавши
wordsіword2indexуcompute_onehot_length(). - Створіть one-hot вектори за допомогою функції
to_categorical(), використовуючи ID слів. - Поверніть довжину одного one-hot вектора, скориставшись синтаксисом
<array>.shape. - Обчисліть і виведіть довжину one-hot векторів, викликавши
compute_onehot_length()для списку слівHe,drank,milk.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
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(____([____,____,____], ____))