关于tf.one_hot()需知其所以然

最新推荐文章于 2024-04-15 16:27:39 发布

飞行codes

最新推荐文章于 2024-04-15 16:27:39 发布

阅读量938

点赞数 1

分类专栏： T型牌坊文章标签： one_hot tensor flow

本文链接：https://blog.csdn.net/Arctic_Beacon/article/details/84137364

版权

T型牌坊专栏收录该内容

45 篇文章 2 订阅

订阅专栏

该命令一般用于cost function

import tensorflow as tf
N_CLASSES = 5
labels = [1,4,0,2,3,0,1,1]

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    a = sess.run(tf.one_hot(labels,N_CLASSES))
    b = sess.run(tf.argmax(a, 1))
    print('a:')
    print(a)
    print('b:')
    print(b)
    
cost = tf.losses.softmax_cross_entropy(a,logits,weight = 1)

以上代码最后一行不运行，得到结果如下

a:
[[ 0. 1. 0. 0. 0.]
[ 0. 0. 0. 0. 1.]
[ 1. 0. 0. 0. 0.]
[ 0. 0. 1. 0. 0.]
[ 0. 0. 0. 1. 0.]
[ 1. 0. 0. 0. 0.]
[ 0. 1. 0. 0. 0.]
[ 0. 1. 0. 0. 0.]]
b:
[1 4 0 2 3 0 1 1]

其中b演示了原路返回。

结合最后一行代码就好理解了。

最后一层输出的维数=N，此例=5。

$y_{i}=\frac{exp(logits_{i})}{\sum _{n=1}^{N}exp(logits_{n})}$

$H = -\sum_{i=1}^{M} label_{i}logy_{i}$

H为交叉熵，M为batch无误，此例M=8。

其他方法

from keras.utils import np_utils
N_CLASSES = 3
label = [0,0,0,1,1,1,2,2,2]
train_label = np_utils.to_categorical(label, N_CLASSES)

train_label
Out[21]:
array([[1., 0., 0.],
       [1., 0., 0.],
       [1., 0., 0.],
       [0., 1., 0.],
       [0., 1., 0.],
       [0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 0., 1.]], dtype=float32)