TensorFlow的one-hot函数讲解
import tensorflow as tf
tf.one_hot(indices, depth, on_value, off_value, axis)
indices是一个列表,指定张量中独热向量的独热位置，或者说indeces是非负整数表示的标签列表。len(indices)就是分类的类别数。
tf.one_hot返回的张量的阶数为indeces的阶数+1。
当indices的某个分量取-1时，即对应的向量没有独热值。
depth是每个独热向量的维度
on_value是独热值
off_value是非独热值
axis指定第几阶为depth维独热向量，默认为-1,即,指定张量的最后一维为独热向量
例如：对于一个2阶张量而言,axis=0时，即，每个列向量是一个独热的depth维向量
axis=1时，即，每个行向量是一个独热的depth维向量。axis=-1，等价于axis=1
import tensorflow as tf
# 得到4个5维独热行向量向量,
# 其中第1个向量的第0个分量是独热1，
# 第2个向量的第2个分量是独热，
# 第3个向量没有独热，因为指定为-1
# 第4个向量的第1个分量为独热
# labels向targets的转变
labels = [0, 2, -1, 1]
# labels是shape=(4,)的张量。则返回的targets是shape=(len(labels), depth)张量。
# 且这种情况下,axis=-1等价于axis=1
targets = tf.one_hot(indices=labels, depth=5, on_value=1.0, off_value=0.0, axis=-1)
with tf.Session() as sess:
print(sess.run(targets))
[[ 1. 0. 0. 0. 0.]
[ 0. 0. 1. 0. 0.]
[ 0. 0. 0. 0. 0.]
[ 0. 1. 0. 0. 0.]]
# 得到1个5维独热行向量。
targets = tf.one_hot(indices=3, depth=5, on_value=1.0, off_value=0.0, axis=0)
with tf.Session() as sess:
print(sess.run(targets))
[ 0. 0. 0. 1. 0.]
# 得到1个5维独热列向量
targets = tf.one_hot(indices=[3], depth=5, on_value=1.0, off_value=0.0, axis=0)
with tf.Session() as sess:
print(sess.run(targets))
[[ 0.]
[ 0.]
[ 0.]
[ 1.]
[ 0.]]
targets = tf.one_hot(indices=[[0,1],[1,0]], depth=3)
with tf.Session() as sess:
print(sess.run(targets))
[[[ 1. 0. 0.]
[ 0. 1. 0.]]
[[ 0. 1. 0.]
[ 1. 0. 0.]]]
注:indices如果是n阶张量,则返回的one-hot张量则为n+1阶张量
在实际神经网络的设计应用中，给定的labels通常是数字列表，以标识样本属于哪一个分类。类别数则是独热向量的维数。
# 得到分类的独热向量
targets = tf.one_hot(labels, num_classes)
TensorFlow 多分类标签转换成One-hot
在处理多分类问题时，将多分类标签转成One-hot编码是一种很常见的手段，以下即为Tensorflow将标签转成One-hot的tensor。以Mnist为例，如果标签为“3”，则One-hot编码为[0,0,0,1,0,0,0,0,0,0].
import tensorflow as tf # version : '1.12.0'
NUM_CLASSES = 10 # 10分类
labels = [0,1,2,3] # sample label
batch_size = tf.size(labels) # get size of labels : 4
labels = tf.expand_dims(labels, 1) # 增加一个维度
indices = tf.expand_dims(tf.range(0, batch_size,1), 1) #生成索引
concated = tf.concat([indices, labels] , 1) #作为拼接
onehot_labels = tf.sparse_to_dense(concated, tf.stack([batch_size, NUM_CLASSES]), 1.0, 0.0) # 生成one-hot编码的标签
sparse_to_dense 函数说明：www.tensorflow.org/api_docs/py…
将稀疏矩阵转换成密集矩阵，其中索引在concated中，值为1.其他位置的值为默认值0.
方法1：
from sklearn.preprocessing import OneHotEncoder,LabelEncoder
a = ['A','B','A','C']
label_encoder=LabelEncoder()
label_value = label_encoder.fit_transform(a)
enc = OneHotEncoder()
one_hot=enc.fit_transform(label_value.reshape(-1,1))
one_hot.toarray()
array([[1., 0., 0.],
[0., 1., 0.],
[1., 0., 0.],
[0., 0., 1.]])
方法2：
from sklearn.preprocessing import LabelBinarizer
encoder = LabelBinarizer()
one_hot = encoder.fit_transform(a)
print(one_hot)
array([[1, 0, 0],
[0, 1, 0],
[1, 0, 0],
[0, 0, 1]])
方法3：
import numpy as np
def dense_to_one_hot(labels_dense, num_classes):
"""Convert class labels from scalars to one-hot vectors."""
num_labels = labels_dense.shape[0]
index_offset = np.arange(num_labels) * num_classes
labels_one_hot = np.zeros((num_labels, num_classes))
labels_one_hot.flat[index_offset+labels_dense.ravel()] = 1
return labels_one_hot
labels_dense = np.array([0,1,2,3,4])
num_classes = 5
one_hot = dense_to_one_hot(labels_dense,num_classes)
print(one_hot)
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]]
keras中多分类标签转换成One-hot
import numpy as np
from keras.utils import to_categorical
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 7]
data = array(data)
print(data)
# [1 2 3 4 5 6 7 8 9 7]
#有普通np数组转换为one-hot
one_hots = to_categorical(data)
print(one_hots)
# [[ 0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
# [ 0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
# [ 0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]
# [ 0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
# [ 0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]
# [ 0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]
# [ 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]
# [ 0. 0. 0. 0. 0. 0. 0. 0. 1. 0.]
# [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
# [ 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]]
one_hot 转数组
# 由one-hot转换为普通np数组
data = [argmax(one_hot)for one_hot in one_hots]
print(data)
# [1, 2, 3, 4, 5, 6, 7, 8, 9, 7]
