numpy
做到了!
import numpy as np
np.eye(n_labels)[target_vector]
0
numpy
做到了!
import numpy as np
np.eye(n_labels)[target_vector]
0
Scikit Flow中有embedding_ops以及处理分类变量的示例等。
如果您只是开始学习TensorFlow,我建议您先尝试TensorFlow / skflow中的 示例 ,然后一旦您对TensorFlow更加熟悉,就可以很容易地插入TensorFlow代码来构建所需的自定义模型(有也是示例)。
希望这些图像和文字理解示例可以帮助您入门,并在遇到任何问题时通知我们! (在SO中发布问题或标记skflow)。
0
tf.one_hot()
在TF中可用并且易于使用。
假设您有4种可能的类别(猫,狗,鸟,人)和2个实例(猫,人)。因此,您的depth=4
, indices=[0, 3]
import tensorflow as tf
res = tf.one_hot(indices=[0, 3], depth=4)
with tf.Session() as sess:
print sess.run(res)
请记住,如果您提供index = -1,您将在单热向量中获得全零。
旧答案,当此功能不可用时。
在查看了python文档之后 ,我没有发现任何类似的东西。令我坚信不存在的一件事是,在他们自己的示例中,他们手动编写了one_hot
。
def dense_to_one_hot(labels_dense, num_classes=10):
"""Convert class labels from scalars to one-hot vectors."""
num_labels = labels_dense.shape[0]
index_offset = numpy.arange(num_labels) * num_classes
labels_one_hot = numpy.zeros((num_labels, num_classes))
labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
return labels_one_hot
您也可以在scikitlearn中执行此操作 。
0
从TensorFlow 0.8开始,现在有一个原生的一站式操作tf.one_hot
,可以将一组稀疏标签转换为密集的一站式表示形式。这是tf.nn.sparse_softmax_cross_entropy_with_logits
,在某些情况下,可以让您直接在稀疏标签上计算交叉熵,而不是将它们转换为tf.nn.sparse_softmax_cross_entropy_with_logits
热。
以前的答案,以防您想采用旧方法: @Salvador的答案是正确的-过去(过去)没有本机操作。但是,您可以使用稀疏到密集运算符在tensorflow中本地执行此操作,而不是在numpy中执行此操作:
num_labels = 10
# label_batch is a tensor of numeric labels to process
# 0 <= label < num_labels
sparse_labels = tf.reshape(label_batch, [-1, 1])
derived_size = tf.shape(label_batch)[0]
indices = tf.reshape(tf.range(0, derived_size, 1), [-1, 1])
concated = tf.concat(1, [indices, sparse_labels])
outshape = tf.pack([derived_size, num_labels])
labels = tf.sparse_to_dense(concated, outshape, 1.0, 0.0)
输出,labels,是batch_size x num_labels的单矩阵。
另请注意,自tf.nn.sparse_softmax_cross_entropy_with_logits
日起(我认为最终将成为0.7版本的一部分),TensorFlow还具有tf.nn.sparse_softmax_cross_entropy_with_logits
op,在某些情况下,您可以进行培训而无需转换为一键编码。
编辑添加:最后,您可能需要显式设置标签的形状。形状推断无法识别num_labels组件的大小。如果您不需要带有Derived_size的动态批处理大小,则可以简化此过程。
编辑于2016年2月12日,更改了以下每个注释的形状分配。
0
一种简单且简短的热编码任何整数或整数列表的方法:
a = 5
b = [1, 2, 3]
# one hot an integer
one_hot_a = tf.nn.embedding_lookup(np.identity(10), a)
# one hot a list of integers
one_hot_b = tf.nn.embedding_lookup(np.identity(max(b)+1), b)
0
您可以使用tf.sparse_to_dense :
sparse_indices参数指示应该去的地方,应将output_shape设置为可能的输出数量(例如标签的数量),并且sparse_values的值应为1,并具有所需的类型(它将根据类型确定输出的类型。 sparse_values)。
0
TensorFlow的最新版本(每夜甚至是0.7.1)都有一个名为tf.one_hot的操作,可以完成您想要的操作。一探究竟!
另一方面,如果您有一个密集矩阵,并且想要查找并汇总其中的值,则需要使用embedding_lookup函数。
0
也许是由于自2015年11月以来对Tensorflow的更改,但是@dga的答案产生了错误。我的确做了以下修改:
sparse_labels = tf.reshape(label_batch, [-1, 1])
derived_size = tf.shape(sparse_labels)[0]
indices = tf.reshape(tf.range(0, derived_size, 1), [-1, 1])
concated = tf.concat(1, [indices, sparse_labels])
outshape = tf.concat(0, [tf.reshape(derived_size, [1]), tf.reshape(num_labels, [1])])
labels = tf.sparse_to_dense(concated, outshape, 1.0, 0.0)
0
张量流是否具有类似于scikit Learn的一种用于处理分类数据的热编码器 ?使用tf.string的占位符会表现为分类数据吗?
我意识到我可以在将数据发送到tensorflow之前对其进行手动预处理,但是将其内置非常方便。