tensorflow2.0之one_hot函数使用

tensorflow2.0之one_hot函数使用

先了解一下one_hot要干啥吧。来，咱先看个程序，你一定会很眼熟的。

import tensorflow as tf
labels = [0, 6, 5, 4, 2]
res = tf.one_hot(
			indices=labels, 
			depth=10, 
			on_value=1, 
			off_value=0, 
			axis=-1)
print(res)

嘿，是不是发现什么了？
labels向量最后可以表示乘矩阵的方式，且[1 0…0]表示0，类推[0 1 0…0]表示1，这样，可以表示 0~9总共九个数值。
one_hot的作用就是这样的，作为存储标签的一种方式，用1的位置不同来区分数值。

---

那么下来接详细介绍one_hot中的参数有哪些以及参数的效果。
one_hot函数定义：

one_hot(
    indices,        #输入的tensor，在深度学习中一般是给定的labels，通常是数字列表，属于一维输入，也可以是多维。
    depth,          #一个标量，用于定义一个 one hot 维度的深度
    on_value=None,  #定义在 indices[j] = i 时填充输出的值的标量，默认为1
    off_value=None, #定义在 indices[j] != i 时填充输出的值的标量，默认为0
    axis=None,      #要填充的轴，默认为-1，即一个新的最内层轴
    dtype=None,     #默认是int32
    name=None
)

简言之，
indices是用来确定生成的张量中哪些位置的值为on_value
其他参数好理解，重点说一下axis的取值问题。
indices为向量、矩阵（若向量大小为n，矩阵大小为w*h）事时，axis取值的不同会影响输出的shape结构，输出的张量shape会有以下情况：

axis	indices为向量	indices为矩阵
-1	n * depth	w * h * depth
0	depth * n	depth* w * h
1		w * depth * h

---

当indices为向量时

import tensorflow as tf
labels = [0, 2, -1, 1]  #为向量
res = tf.one_hot(
			indices=labels, 
			depth=3, 
			on_value=1.0, 
			off_value=0.0, 
			axis=-1)
print(res)

输出：

即当axis=-1时， shape = indices * depth  

下面将axis 改为0，结果因为 shape =depth * indices

---

indices为矩阵时

import tensorflow as tf
labels = [[3, 2], [1, 6], [3, 5]]  #3*2的矩阵
res = tf.one_hot(
			indices=labels, 
			depth=10, 
			on_value=1, 
			off_value=0, 
			axis=-1)
print(res)

axis=-1, 结果shape = 3*2*10 即 h * w * indices

将axis改为0，结果如下，shape = 10*3*2 即indices*w*h

将 axis改为1，结果如下，shape = 3*10*2 即w*indices*h