tensorflow独热编码方法_tf.one_hot()用法 独热编码

tf.one_hot()进行独热编码

首先肯定需要解释下什么叫做独热编码(one-hot encoding)，独热编码一般是在有监督学习中对数据集进行标注时候使用的，指的是在分类问题中，将存在数据类别的那一类用X表示，不存在的用Y表示，这里的X常常是1， Y常常是0。

举个例子：

比如我们有一个5类分类问题，我们有数据(Xi,Yi)，其中类别Yi有五种取值(因为是五类分类问题)，所以如果Yj为第一类那么其独热编码为： [1,0,0,0,0]，如果是第二类那么独热编码为：[0,1,0,0,0]，也就是说只对存在有该类别的数的位置上进行标记为1，其他皆为0。这个编码方式经常用于多分类问题，特别是损失函数为交叉熵函数的时候。接下来我们再介绍下TensorFlow中自带的对数据进行独热编码的函数tf.one_hot()，首先先贴出其API手册

one_hot(

indices,#输入，这里是一维的

depth,# one hot dimension.

on_value=None,#output 默认1

off_value=None,#output 默认0

axis=None,

dtype=None,

name=None

)

需要指定indices，和depth，其中depth是编码深度，on_value和off_value相当于是编码后的开闭值，如同我们刚才描述的X值和Y值，需要和dtype相同类型(指定了dtype的情况下)，axis指定编码的轴。这里给个小的实例：

imp