在TensorFlow中,函数“tf”中的参数“axis”是什么。1\u热'

下面是一个示例:

x = tf.constant([0, 1, 2])

... 是输入张量和 N=4 (将每个索引转换为4D向量)。

axis=-1

计算 one_hot_1 = tf.one_hot(x, 4).eval() 产生a (3, 4) 张量:

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

... 其中最后一个维度是一个热编码的维度(清晰可见)。这与默认值相对应 轴=-1 ,即 最后的 一

axis=0

现在,计算 one_hot_2 = tf.one_hot(x, 4, axis=0).eval() 产生a (4, 3) 无法立即识别为热编码的张量:

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

这是因为一个热编码是沿着0轴进行的,必须转置矩阵才能看到之前的编码。当输入的维度更高时,情况会变得更复杂,但想法是一样的:不同之处在于 额外的 用于一个热编码的维度。

对于我来说,轴翻译为“在哪里添加额外的数字以增加维度”。至少这是我对它的解释,也是一种记忆法。

例如,你有[1,2,3,0,2,1],这是形状(1,6)。这意味着它是一个一维数组。one\u hot在原始数组的每个位置添加零并将位置转换为1,要实现这一点,原始数组必须比原始数组多1个维度,axis告诉函数将其添加到何处, 这个新维度将确定示例 .

---

轴=1

添加第二个维度,并保留第一个维度。这将产生一个(6,4)数组。因此,对于生成的数组,您可以使用第一个维度(0)来了解您看到的示例,使用第二个维度(1,新的维度)来了解该类是否处于活动状态。newArr[0][1]=1表示示例0,类1,在本例中表示示例0属于类1。

   0   1   2   3  <- class

[[ 0.  1.  0.  0.]   <- example 0
 [ 0.  0.  1.  0.]   <- example 1
 [ 0.  0.  0.  1.]   <- example 2
 [ 1.  0.  0.  0.]   <- example 3
 [ 0.  0.  1.  0.]   <- example 4
 [ 0.  1.  0.  0.]]  <- example 5

---

轴=0

添加第一个标注后,现有标注将移动。这将产生一个(4,6)数组。因此,对于生成的数组,使用第一个维度(0,新维度)来了解该类是否处于活动状态,使用第二个维度(1)来了解您看到的示例。newArr[0][1]=0表示类0,示例1,在本例中表示示例1不属于类0。

   0   1   2   3   4   5  <- example

[[ 0.  0.  0.  1.  0.  0.]   <- class 0
 [ 1.  0.  0.  0.  0.  1.]   <- class 1
 [ 0.  1.  0.  0.  1.  0.]   <- class 2
 [ 0.  0.  1.  0.  0.  0.]]  <- class 3

对我来说,我的理解如下- (注:索引参考 documentation 只是类标签的信息,可以是标量、向量或矩阵) 如果索引只是标量,则不需要轴。 但是,如果它是向量,则可以选择要素和类的方向 2 ` 这里,一个热向量的图像有一行作为深度(类),一列作为各自的特征(标签),因此对于这种情况,轴的值为0。 类似地,如果需要特征x深度,则轴的值将为-1。

同样,如果索引是一个矩阵,那么您可以选择以下方向

---

(batch表示索引中的行) 3

batch x features x depth if axis == -1
batch x depth x features if axis == 1
depth x batch x features if axis == 0