第 2 部分：探索 `to_categorical()` 函式
在第 1 部分中，你實作了 compute_onehot_length() 函式，計算 one-hot 向量時沒有使用 num_classes 參數。
num_classes 參數會控制 to_categorical() 函式產生的 one-hot 編碼向量長度。當你面對兩個詞彙表不同的語料庫（也就是多個文本集合）時，若未設定 num_classes，可能會得到長度不一致的 one-hot 向量。
在本練習中，已提供 compute_onehot_length() 函式與 word2index 字典供你使用。
本練習屬於課程
使用 Keras 進行機器翻譯
練習說明
- 對
words_1呼叫compute_onehot_length()。 - 對
words_2呼叫compute_onehot_length()。 - 印出針對
words_1與words_2所得到的 one-hot 向量長度。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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 => ", ____)