python – Tensorflow One Hot Encoder？

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – Tensorflow One Hot Encoder？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1402字，纯文字阅读大概需要3分钟。

内容图文

tensorflow是否与scikit learn的one hot encoder类似,用于处理分类数据？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之前手动预处理数据,但内置数据非常方便.

解决方法:

从TensorFlow 0.8开始,现在有一个native one-hot op, tf.one_hot可以将一组稀疏标签转换为密集的单热表示.这是tf.nn.sparse_softmax_cross_entropy_with_logits的补充,在某些情况下,您可以直接在稀疏标签上计算交叉熵,而不是将它们转换为单热.

以前的答案,如果你想以旧的方式做到这一点：
@ Salvador的答案是正确的 – 那里(以前)没有本地操作.但是,您可以使用稀疏到密集的运算符在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)

输出标签是batch_size x num_labels的单热矩阵.

另请注意,截至2016-02-12(我假设最终将成为0.7版本的一部分),TensorFlow还具有tf.nn.sparse_softmax_cross_entropy_with_logits操作,在某些情况下可以让您进行培训而无需转换为一热编码.

编辑添加：最后,您可能需要明确设置标签的形状.形状推断无法识别num_labels组件的大小.如果您不需要使用derived_size的动态批量大小,则可以简化此操作.

编辑2016-02-12更改以下评论的outshape分配.

内容总结

以上是互联网集市为您收集整理的python – Tensorflow One Hot Encoder？全部内容，希望文章能够帮你解决python – Tensorflow One Hot Encoder？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---