学习tf.sparse_to_dense函数（代码实现）

#当tf.sparse_to_dense的第一个参数是2阶的tensor时
import tensorflow as tf   
BATCH_SIZE=5  
label=tf.expand_dims(tf.constant([1,3,5,7,9]),1)#真实标签  shape==>[5,1]
index=tf.expand_dims(tf.range(0, BATCH_SIZE),1)#真实标签的索引  shape==>[5,1]
concated = tf.concat([index, label],1)   #将标签和索引tensor在第二个维度上连接起来，新的concated的shape==>[5,2]
onehot_labels = tf.sparse_to_dense(concated, [BATCH_SIZE,10], 1.0, 0.0) # onehot_labels的shape==>[5,10]
with tf.Session() as sess:  
    onehot1=sess.run(onehot_labels)    
    print (onehot1)

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

#当tf.sparse_to_dense的第一个参数是1阶的tensor时
import tensorflow as tf   

BATCH_SIZE=5 

index=tf.constant([1,3,5,7,9])#shape==>[5]

onehot_labels = tf.sparse_to_dense(index, [10], 1.0, 0.0) # onehot_labels的shape==>[10]

with tf.Session() as sess:  

    onehot2=sess.run(onehot_labels)    

    print (onehot2)

输出结果是：

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

#当tf.sparse_to_dense的第一个参数是0阶的tensor时
import tensorflow as tf   

BATCH_SIZE=5 

index=tf.constant(3)# shape==>0

onehot_labels = tf.sparse_to_dense(index, [10], 1.0, 0.0)# onehot_labels的shape==>[10]



with tf.Session() as sess:  

    onehot3=sess.run(onehot_labels)    

    print (onehot3)

输出结果是：

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

注：1.当一个tensor的shape==>[5,2]，说明该tensor是二阶的（因为5,2一共两个数字）

此tensor的形式是这样的[ [ * , *]，[  * , *]，[* , * ]，[* , * ]，[* , *] ]

        2. 当一个tensor的shape==>[10]，说明该tensor是1阶的（因为只有1个数字10）

此tensor的形式是这样的[ * , * , * , * , * , * , * , * , * , *  ]