TensorFlow tf.one_hot()函数

tf.one_hot函数可以将输入数据转成onehot编码。至于什么是onehot编码？为什么要将输入转成onehot编码？请查看我的另一篇博文：https://blog.csdn.net/duanlianvip/article/details/93492855

一、参数

def one_hot(indices,
            depth,
            on_value=None,
            off_value=None,
            axis=None,
            dtype=None,
            name=None)

返回值：返回一个onehot编码的张量。

1. indices：输入的张量[batch, features]（待转onehot编码张量）；
2. depth：onehot编码的一个维度；
3. on_value=None：默认值为1
4. off_value=None：默认值为0
5. axis=None：默认为-1
6. dtype=None：输出张量的数据类型。若dtype缺省，则其根据on_value或off_value的数据类型自动保持一致；若dtype、on_value、off_value都缺省，则默认为tf.float32 
7. name=None：本次one_hot操作的名称

注意：

1. on_value、off_value、dtype三者数据类型应相同；
2. 如果indices为标量（scalar），则输出一个长度为“depth”的向量；
3. 如果indices为长度为“features”的向量（vector），则输出的矩阵维度为：

axis取值	输出的矩阵维度
axis == -1	features * depth
axis == 0	depth * features

     4. 如果indices为一个维度为“[batch, features]”的矩阵，则输出的矩阵维度为：

axis取值	输出的矩阵维度
axis == -1	batch * features * depth
axis == 1	batch * depth * features
axis == 0	depth * batch * features

     5. tf.one_hot()函数规定输入的元素indices从0开始，最大的元素值不能超过（depth - 1），因此能够表示depth个单位的输入。若输入的元素值超出范围，输出的编码均为 [0, 0 … 0, 0]。

     6. indices = 0 对应的输出是[1, 0 … 0, 0], indices = 1 对应的输出是[0, 1 … 0, 0], 依次类推，最大可能值的输出是[0, 0 … 0, 1]。

二、实验验证

验证程序：

import tensorflow as tf
import numpy as np

a = tf.Variable(2)
b = tf.Variable([1, 2, 3, 4, 5])
c = tf.Variable([[1, 2], [5, 6], [7, 8]])

a_one_hot1 = tf.one_hot(a, 1)
a_one_hot2 = tf.one_hot(a, 4)
b_one_hot1 = tf.one_hot(b, 6, axis=-1)
b_one_hot2 = tf.one_hot(b, 6, axis=0)
b_one_hot3 = tf.one_hot(b, 6, on_value=5, off_value=2)
b_one_hot4 = tf.one_hot(b, 6, on_value='x', off_value='y')
b_one_hot5 = tf.one_hot(b, 6, on_value='x', off_value='y', dtype=tf.string)
c_one_hot1 = tf.one_hot(c, 8)
c_one_hot2 = tf.one_hot(c, 9,axis=-1)
c_one_hot3 = tf.one_hot(c, 9,axis=1)
c_one_hot4 = tf.one_hot(c, 9,axis=0)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    print(sess.run(a_one_hot1))
    print('------------------')
    print(sess.run(a_one_hot2))
    print('------------------')
    print(sess.run(b_one_hot1))
    print('------------------')
    print(sess.run(b_one_hot2))
    print('------------------')
    print(sess.run(b_one_hot3))
    print('------------------')
    print(sess.run(b_one_hot4))
    print('------------------')
    print(sess.run(b_one_hot5))
    print('------------------')
    print(sess.run(c_one_hot1))
    print('------------------')
    print(sess.run(c_one_hot2))
    print('------------------')
    print(sess.run(c_one_hot3))
    print('------------------')
    print(sess.run(c_one_hot4))

输出结果：

[0.] # 最大的元素值超过"depth-1"（1-1），所以显示为0
------------------
[0. 0. 1. 0.] # one_hot(2)
------------------
[[0. 1. 0. 0. 0. 0.] # shape:[5, 6]
 [0. 0. 1. 0. 0. 0.] 
 [0. 0. 0. 1. 0. 0.]
 [0. 0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 0. 1.]]
------------------
[[0. 0. 0. 0. 0.] # shape:[6, 5]
 [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.]]
------------------
[[2 5 2 2 2 2]
 [2 2 5 2 2 2]
 [2 2 2 5 2 2]
 [2 2 2 2 5 2]
 [2 2 2 2 2 5]]
------------------
[[b'y' b'x' b'y' b'y' b'y' b'y']
 [b'y' b'y' b'x' b'y' b'y' b'y']
 [b'y' b'y' b'y' b'x' b'y' b'y']
 [b'y' b'y' b'y' b'y' b'x' b'y']
 [b'y' b'y' b'y' b'y' b'y' b'x']]
------------------
[[b'y' b'x' b'y' b'y' b'y' b'y']
 [b'y' b'y' b'x' b'y' b'y' b'y']
 [b'y' b'y' b'y' b'x' b'y' b'y']
 [b'y' b'y' b'y' b'y' b'x' b'y']
 [b'y' b'y' b'y' b'y' b'y' b'x']]
------------------
[[[0. 1. 0. 0. 0. 0. 0. 0.] # shape:[3, 2, 8]
  [0. 0. 1. 0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0. 1. 0. 0.]
  [0. 0. 0. 0. 0. 0. 1. 0.]]

 [[0. 0. 0. 0. 0. 0. 0. 1.]
  [0. 0. 0. 0. 0. 0. 0. 0.]]] # one_hot(8),由于8大于"depth-1"，所以显示为0
------------------
[[[0. 1. 0. 0. 0. 0. 0. 0. 0.] # shape:[3, 2, 9]
  [0. 0. 1. 0. 0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0. 1. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 1. 0. 0.]]

 [[0. 0. 0. 0. 0. 0. 0. 1. 0.]
  [0. 0. 0. 0. 0. 0. 0. 0. 1.]]]
------------------
[[[0. 0.] # shape:[3, 9, 2]
  [1. 0.]
  [0. 1.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]]

 [[0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [1. 0.]
  [0. 1.]
  [0. 0.]
  [0. 0.]]

 [[0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [0. 0.]
  [1. 0.]
  [0. 1.]]]
------------------
[[[0. 0.] # shape:[9, 3, 2]
  [0. 0.]
  [0. 0.]]

 [[1. 0.]
  [0. 0.]
  [0. 0.]]

 [[0. 1.]
  [0. 0.]
  [0. 0.]]

 [[0. 0.]
  [0. 0.]
  [0. 0.]]

 [[0. 0.]
  [0. 0.]
  [0. 0.]]

 [[0. 0.]
  [1. 0.]
  [0. 0.]]

 [[0. 0.]
  [0. 1.]
  [0. 0.]]

 [[0. 0.]
  [0. 0.]
  [1. 0.]]

 [[0. 0.]
  [0. 0.]
  [0. 1.]]]

在人工智能的学习过程中，可繁可简，弄清每一个细节需要耗费大量时间精力，文中有不对的地方烦请指出，愿我们一起提高进步。

参考：

https://blog.csdn.net/nini_coded/article/details/79250600