Частина 2: Досліджуємо функцію to_categorical()

У частині 1 ви реалізували функцію compute_onehot_length(), яка не використовувала аргумент num_classes під час обчислення one-hot векторів.

Аргумент num_classes визначає довжину one-hot векторів, які створює функція to_categorical(). Ви побачите, що коли у вас є два різні корпуси (тобто зібрання текстів) з різними словниками, якщо не задавати num_classes, це може призвести до one-hot векторів різної довжини.

У цій вправі функція compute_onehot_length() і словник word2index уже надані.

Ця вправа є частиною курсу

Machine Translation з Keras

Переглянути курс

Інструкції до вправи

Викличте compute_onehot_length() для words_1.
Викличте compute_onehot_length() для words_2.
Надрукуйте довжини one-hot векторів, отриманих для words_1 і words_2.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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 => ", ____)

Редагувати та запускати код