Tensorflow Один Горячий Кодер?

tf.one_hot() доступен в TF и прост в использовании.

предположим, что у вас есть 4 возможные категории (кошка, собака, птица, человек) и 2 экземпляра (кошка, человек). Так что ваш depth=4 и свой 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)

имейте в виду, что если вы предоставите index=-1, вы получите все нули в своем однократном векторе.

старый ответ, когда эта функция была не доступна.

после просмотра, хотя python документация, Я не нашел ничего подобного. Одна вещь, которая укрепляет мою веру в то, что она не существует, это то, что в собственный пример пишут one_hot вручную.

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

вы также можете сделать это в scikitlearn.

numpy это делает!

import numpy as np
np.eye(n_labels)[target_vector]

простой и короткий способ one-hot кодировать любое целое число или список интергеров:

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)

последние версии TensorFlow (nightlies и, возможно, даже 0.7.1) имеют op под названием tf.one_hot, что делает то, что вы хотите. Зацени!

с другой стороны, если у вас есть плотная матрица, и вы хотите посмотреть и агрегировать значения в ней, вы хотели бы использовать функцию embedding_lookup.

возможно, это связано с изменениями Tensorflow с ноября 2015 года, но ответ @dga вызвал ошибки. Я получил его для работы со следующими изменениями:

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)

посмотри tf.НН.embedding_lookup. Он отображает от категориальных идентификаторов к их вложениям.

пример его использования для входных данных см. В разделе здесь.

можно использовать tf.sparse_to_dense:

аргумент sparse_indices указывает, куда они должны идти, output_shape должен быть установлен на количество возможных выходов (например, количество меток), а sparse_values должен быть 1 с желаемым типом (он будет определять тип выхода из типа sparse_values).

здесь embedding_ops в потоке Scikit и примерах, которые имеют дело с категориальными переменными и т. д.

Если вы только начинаете изучать TensorFlow, я бы предложил вам попробовать примеры на TensorFlow / skflow сначала, а затем, когда вы больше знакомы с TensorFlow, вам будет довольно легко вставить код TensorFlow для создания пользовательской модели, которую вы хотите (есть также примеры для этого).

надеюсь, что эти примеры для изображения и понимание текста могут помочь вам начать работу и сообщить нам, если у вас возникнут какие-либо проблемы! (сообщение проблемы или тег skflow в SO).

текущие версии tensorflow реализуют следующую функцию для создания однократных тензоров:

https://www.tensorflow.org/versions/master/api_docs/python/array_ops.html#one_hot

есть несколько способов сделать это.

ans = tf.constant([[5, 6, 0, 0], [5, 6, 7, 0]]) #batch_size*max_seq_len
labels = tf.reduce_sum(tf.nn.embedding_lookup(np.identity(10), ans), 1)

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

другой способ сделать это.

labels2 = tf.reduce_sum(tf.one_hot(ans, depth=10, on_value=1, off_value=0, axis=1), 2)

 >>> [[0 0 0 0 0 1 1 0 0 0]
 >>> [0 0 0 0 0 1 1 1 0 0]]

моя версия @CFB и @ DGA пример, укороченный немного, чтобы облегчить понимание.

num_labels = 10
labels_batch = [2, 3, 5, 9]

sparse_labels = tf.reshape(labels_batch, [-1, 1])
derived_size = len(labels_batch)
indices = tf.reshape(tf.range(0, derived_size, 1), [-1, 1])
concated = tf.concat(1, [indices, sparse_labels]) 
labels = tf.sparse_to_dense(concated, [derived_size, num_labels], 1.0, 0.0)

Как упоминалось выше @dga, Tensorflow имеет tf.one_hot теперь:

labels = tf.constant([5,3,2,4,1])
highest_label = tf.reduce_max(labels)
labels_one_hot = tf.one_hot(labels, highest_label + 1)

array([[ 0.,  0.,  0.,  0.,  0.,  1.],
       [ 0.,  0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  1.,  0.],
       [ 0.,  1.,  0.,  0.,  0.,  0.]], dtype=float32)

вам нужно указать глубину, иначе вы получите обрезанный один горячий тензор.

Если вы хотите сделать это вручную:

labels = tf.constant([5,3,2,4,1])
size = tf.shape(labels)[0]
highest_label = tf.reduce_max(labels)
labels_t = tf.reshape(labels, [-1, 1])
indices = tf.reshape(tf.range(size), [-1, 1])
idx_with_labels = tf.concat([indices, labels_t], 1)
labels_one_hot = tf.sparse_to_dense(idx_with_labels, [size, highest_label + 1], 1.0)

array([[ 0.,  0.,  0.,  0.,  0.,  1.],
       [ 0.,  0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  1.,  0.],
       [ 0.,  1.,  0.,  0.,  0.,  0.]], dtype=float32)

обратите внимание на порядок аргументов в tf.concat ()

In [7]: one_hot = tf.nn.embedding_lookup(np.eye(5), [1,2])

In [8]: one_hot.eval()
Out[8]: 
array([[ 0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.]])

работает на TF версии 1.3.0. По состоянию на сентябрь 2017 года.