版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_22812319/article/details/83374125
一、独热编码
独热编码，又称一位有效码，用序列化的数字（只有0和1）表达特征。主要思路是使用N位数字对N种情况进行编码。
举个例子，对[0,1,2,3]分别进行编码。由于有4种情况，序列的长度为4，对应数字的位置1，其余置0。所以：
[1,0,0,0]
[0,1,0,0]
[0,0,1,0]
[0,0,0,1]
二、几个必要函数
掌握了独热编码的规律，我们先来看一段代码，了解几个必要的函数。
import tensorflow as tf
#创建一维向量a和b，shape均为(3, )
a = tf.constant([1,2,3])
b = tf.constant([4,5,6])
#a和b在一维上连接，c的shape为(6, )
c = tf.concat([a,b],0)
#由于a和b是一维向量，无法连接，会报错
#c1 = tf.concat([a,b],1)
#将a和b扩充为二维向量，二者的shape均为(3,1)
t1 = tf.expand_dims(a,1)
t2 = tf.expand_dims(b,1)
#分别在第二维和第一维上连接
concated = tf.concat([t1,t2],1)
concated1 = tf.concat([t1,t2],0)
#查看结果
with tf.Session() as sess:
print(a,a.shape)
print(b,b.shape)
print(sess.run(t1),t1.shape)
print(sess.run(t2),t2.shape)
print(sess.run(c),c.shape)
print(sess.run(concated),concated.shape)#（3,2）
print(sess.run(concated1),concated1.shape)#（6,1）
tf.concat(values,dim,name='concat')
在某维上连接两个向量的函数。
Values - 需要连接的向量
Dim - 维数。0表示第一维，1表示第二维
由上面的例子可知，维度为(3,1)和（3,1）的两个向量，在第一维上连接，就是(6,1);在第二维连接，就是(3,2).
注意：有的版本可能是tf.concat(dim，values)，具体可以自行实验。
tf.expand_dims(input, axis=None, name=None, dim=None)
扩充向量的维数。
由上面的例子可知，使用t1 = tf.expand_dims(a,1)将向量[1,2,3]扩充为[[1],[2],[3]]，从原来的（3，）变为（3,1），便于在第二维上连接concat。
三、独热编码实现
接下来看一段实际代码，了解独热编码究竟如何生成。
为了方便理解，假设现在我们要对5张手写数字进行分类，这些数字的标签labels的范围是0~9，形成(5, )的行向量，为[5,4,3,8,7]。
labels = [5,4,3,8,7]
NUM_CLASSES = 10
batch_size = tf.size(labels)
#labels表示图片的标签，5张图片有5个标签。Batch_size=5
labels = tf.expand_dims(labels, 1)
#扩充维数，将（5，）扩充为（5,1），里面的内容不变：[[5],[4],[3],[8],[7]]
indices = tf.expand_dims(tf.range(0, batch_size, 1), 1)
#扩充维数。由于batch_size=(5, )，循环之后生成5*1的矩阵：[[0],[1],[2],[3],[4]]
concated = tf.concat(1, [indices, labels])
#将indices和labels在第二维连接，形成5*2的矩阵：[[0,5],[1,4],[2,3],[3,8],[4,7]]
onehot_labels = tf.sparse_to_dense(
concated, tf.stack([batch_size, NUM_CLASSES]), 1.0, 0.0)
#转化为独热编码。
#tf.pack()将两个向量打包成一个。由于batch_size=5和NUM_CLASSES=10都是数，合并为行向量：[5，10]
#tf.sparse_to_dense()将稀疏矩阵转密集矩阵。stack()函数指定生成的矩阵的shape为5*10,concated指定更换值的坐标，1.0表示将concated指定坐标的值更换为1,0.0表示其余坐标值置0.最终结果：
def sparse_to_dense(sparse_indices,
output_shape,
sparse_values,
default_value=0,
validate_indices=True,
name=None):
几个参数的含义：
sparse_indices: 元素的坐标[[0,0],[1,2]] 表示(0,0)，和(1,2)处有值
output_shape: 得到的密集矩阵的shape
sparse_values: sparse_indices坐标表示的点的值，可以是0D或者1D张量。若0D，则所有稀疏值都一样。若是1D，则len(sparse_values)应该等于len(sparse_indices)
default_values: 缺省点的默认值tf.pack() ===> tf.stack(values, name = "pack")
Values表示输入的tensor，实现将两个tensor打包成一个。
例子：
a = tf.constant([1,2,3]) b=tf.constant([4,5,6])
sess.run([a,b])
输出：[array([1, 2, 3]), array([4, 5, 6])]
sess.run(tf.stack([a,b],name='rank'))
输出：[[1,2,3],[4,5,6]]