keras one-hot 编码和解码

参考
https://jovianlin.io/keras-one-hot-encode-decode-sequence-data/

import numpy as np
from keras.utils import to_categorical

data = np.array([1, 5, 3, 8])
print(data)

def encode(data):
    print('Shape of data (BEFORE encode): %s' % str(data.shape))
    encoded = to_categorical(data)
    print('Shape of data (AFTER  encode): %s\n' % str(encoded.shape))
    return encoded

encoded_data = encode(data)
print(encoded_data)

def decode(datum):
    return np.argmax(datum)

# 单个解
for i in range(encoded_data.shape[0]):
    datum = encoded_data[i]
    print('index: %d' % i)
    print('encoded datum: %s' % datum)
    decoded_datum = decode(encoded_data[i])
    print('decoded datum: %s' % decoded_datum)
    print()

# 全部解
print np.argmax(encoded_data,axis=1)
  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
假设我们有一个onehot编码后的数据集,其中每个样本有10个特征,每个特征都被编码为一个长度为10的向量,数据集共有100个样本: ```python import numpy as np # 随机生成onehot编码后的数据集 onehot_data = np.random.randint(2, size=(100, 10, 10)) ``` 我们可以使用Keras的Embedding层来将这些onehot编码的向量转换为embedding向量。Embedding层的输入是一个二维张量,每一行代表一个样本,每一列代表一个特征的编码。输出是一个三维张量,每个样本的每个特征编码被转换为一个embedding向量,维度为(embedding_dim,)。下面是一个示例代码: ```python from keras.layers import Input, Embedding, Flatten from keras.models import Model # 嵌入维度 embedding_dim = 5 # 定义模型输入 inputs = Input(shape=(10, 10)) # 定义嵌入层 embedding_layer = Embedding(input_dim=2, output_dim=embedding_dim, input_length=10*10) # 嵌入编码 embedding_output = embedding_layer(inputs) # 展平嵌入编码 flatten_output = Flatten()(embedding_output) # 定义模型输出 outputs = flatten_output # 定义模型 model = Model(inputs=inputs, outputs=outputs) # 模型编译 model.compile(optimizer='adam', loss='mse') # 打印模型结构 model.summary() # 训练模型 model.fit(onehot_data, epochs=10) ``` 在上面的代码中,我们首先定义了一个Embedding层,输入维度为2,输出维度为5,输入长度为10*10=100。随后,我们将输入数据(onehot_data)传递给Embedding层,得到嵌入输出(embedding_output)。由于嵌入输出是一个三维张量,我们需要将其展平为一个二维张量,以便将其输入到模型的输出层中。在这里,我们使用了Flatten层将嵌入输出展平。最后,我们定义了模型的输入(inputs)和输出(outputs),并使用Keras的Model类将其组合在一起。模型编译后,我们使用onehot编码的数据(onehot_data)对模型进行训练。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值