Phần 1: Khám phá hàm to_categorical()
Bạn có biết rằng trong các bài toán thực tế, kích thước từ vựng có thể rất lớn (ví dụ: hơn hàng trăm nghìn)?
Bài tập này gồm hai phần và bạn sẽ tìm hiểu tầm quan trọng của việc đặt đối số num_classes cho hàm to_categorical(). Ở phần 1, bạn sẽ hiện thực hàm compute_onehot_length() để tạo các vector one-hot cho một danh sách từ cho trước và tính độ dài của các vector đó.
Hàm to_categorical() đã được import sẵn.
Bài tập này là một phần của khóa học
Machine Translation với Keras
Hướng dẫn bài tập
- Tạo các ID từ bằng cách dùng
wordsvàword2indextrongcompute_onehot_length(). - Tạo các vector one-hot bằng hàm
to_categorical()từ các ID từ. - Trả về độ dài của một vector one-hot bằng cú pháp
<array>.shape. - Tính và in ra độ dài của các vector one-hot bằng
compute_onehot_length()cho danh sách từHe,drank,milk.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
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(____([____,____,____], ____))