一个热编码 returns 最后一个分类值的全 0 向量

Question

tf.one_hot() 正在为第三个 class 可能的分类值生成 [0,0,0] 向量。

我希望 [1,0,0]。这个功能我做错了什么？

有 3 种可能的分类 class 我想进行 One-Hot 编码。 1,2,3 使用 tf.one_hot().

示例：

# 3 possible classes
print(df['sent_score'].unique())
# array([1., 2., 3.])


#original
labels1 = np.asarray(df['sent_score'])
print("Original Labels \n", labels1[25:30])

# Original Labels 
# [2. 1. 2. 1. 3.]   

 
# one hot encoded
labels = tf.one_hot(labels1, 3)
print("\nOne Hot labels \n", labels[25:30])

# One Hot labels 
#    [[0. 0. 1.]
#    [0. 1. 0.]
#    [0. 0. 1.]
#    [0. 1. 0.]
#    [0. 0. 0.]]  ##WHY IS THIS VECTOR is [0,0,0] and not [1,0,0]

Answer 1

问题是因为 tf.one_hot 也将 0 视为 class，因此假设您的标签是 1-3，当传递给 tf.one_hot 时它只是填充3 class 和 0s.

简单示例：

indices = [0, 1, 2]
tf.one_hot(indices, 3)
# <tf.Tensor: shape=(3, 3), dtype=float32, numpy=
# array([[1., 0., 0.],
#        [0., 1., 0.],
#        [0., 0., 1.]], dtype=float32)>

indices = [0, 1, 2, 3]
tf.one_hot(indices, 3)
# array([[1., 0., 0.],
#        [0., 1., 0.],
#        [0., 0., 1.],
#        [0., 0., 0.]], dtype=float32)>

所以你应该把classes改成0-2的范围，然后传给tf.one_hot

Refernece

一个热编码 returns 最后一个分类值的全 0 向量

one hot encoding returns all 0 vector for last categorical value

python

neural-network

keras

tensorflow

one-hot-encoding