tf.one_hot()函数

one_hot(indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None)
    Returns a one-hot tensor.

tf.one_hot()函数是将input转化为one-hot类型数据输出，举例：

classes = 3
labels = tf.constant([0,1,0,3,1,2]) 
output = tf.one_hot(labels,classes)
output

<tf.Tensor: shape=(6, 3), dtype=float32, numpy=
array([[1., 0., 0.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]], dtype=float32)>

参数：
on_value，指用某个值代替出现的类别，默认是1；off_value，指用某个值代替未出现的类别，默认是0。例如，我改为用6代替出现的类别，用7代替未出现的类别：

classes = 3
labels = tf.constant([0,1,0,3,1,2]) # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels,classes,on_value=6, off_value=7)
output

<tf.Tensor: shape=(6, 3), dtype=int32, numpy=
array([[6, 7, 7],
       [7, 6, 7],
       [6, 7, 7],
       [7, 7, 7],
       [7, 6, 7],
       [7, 7, 6]])>

depth，就是类别数量；axis，默认对最后一维进行独热编码，例如我一个batch有2个样本标签，一共有八个类别，其中2个batch的标签为：[[0,0],[1,1]]，

classes = 8
labels = tf.constant([[0,0],[1,1]]) # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels,classes)
output

<tf.Tensor: shape=(2, 2, 8), dtype=float32, numpy=
array([[[1., 0., 0., 0., 0., 0., 0., 0.],
        [1., 0., 0., 0., 0., 0., 0., 0.]],
[[0., 1., 0., 0., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0., 0., 0., 0.]]], dtype=float32)>

可以看出，这两个batch的标签经过独热编码后，分别为：

Output[0] :
[[1., 0., 0., 0., 0., 0., 0., 0.],
        [1., 0., 0., 0., 0., 0., 0., 0.]]
Output[1] :
[[0., 1., 0., 0., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0., 0., 0., 0.]]