Phần 2: Khám phá hàm to_categorical()
Trong phần 1, bạn đã hiện thực hàm compute_onehot_length() mà không dùng đối số num_classes khi tính các vector one-hot.
Đối số num_classes kiểm soát độ dài của các vector one-hot do hàm to_categorical() tạo ra. Bạn sẽ thấy rằng trong những trường hợp có hai corpus (tập văn bản) khác nhau với từ vựng khác nhau, nếu không xác định num_classes thì các vector one-hot có thể có độ dài khác nhau.
Trong bài này, hàm compute_onehot_length() và từ điển word2index đã được cung cấp.
Bài tập này là một phần của khóa học
Machine Translation với Keras
Hướng dẫn bài tập
- Gọi
compute_onehot_length()vớiwords_1. - Gọi
compute_onehot_length()vớiwords_2. - In độ dài của các vector one-hot thu được cho
words_1vàwords_2.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
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 => ", ____)