独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
一、问题由来
在机器学习算法中，我们经常会遇到分类特征，例如：人的性别有男女，祖国有中国，美国，法国等。
这些特征值并不是连续的，而是离散的，无序的。通常我们需要对其进行特征数字化。
那什么是特征数字化呢？例子如下：
-
性别特征：["男"，"女"]
-
祖国特征：["中国"，"美国，"法国"]
-
运动特征：["足球"，"篮球"，"羽毛球"，"乒乓球"]
假如某个样本（某个人），他的特征是这样的["男","中国","乒乓球"]，我们可以用 [0,0,4] 来表示，但是这样的特征处理并不能直接放入机器学习算法中。因为类别之间是无序的（运动数据就是任意排序的）。
二、举例
就拿上面的例子来说吧，性别特征：["男","女"]，按照N位状态寄存器来对N个状态进行编码的原理，咱们处理后应该是这样的（这里只有两个特征，所以N=2）：
男 => 10
女 => 01
祖国特征：["中国"，"美国，"法国"]（这里N=3）：
中国 => 100
美国 => 010
法国 => 001
运动特征：["足球"，"篮球"，"羽毛球"，"乒乓球"]（这里N=4）：
足球 => 1000
篮球 => 0100
羽毛球 => 0010
乒乓球 => 0001
所以，当一个样本为["男","中国","乒乓球"]的时候，完整的特征数字化的结果为：
[1，0，1，0，0，0，0，0，1]
下图可能会更好理解：
三、程序中如何实现
在tensorflow中有tf.one_hot(),这个函数是将input转化为one-hot类型数据输出，相当于将多个数值联合放在一起作为多个相同类型的向量，可用于表示各自的概率分布，通常用于分类任务中作为最后的FC层的输出。函数原型如下
one_hot(indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None)
Returns a one-hot tensor.
indices表示输入的多个数值，通常是矩阵形式；depth表示输出的尺寸。
由于one-hot类型数据长度为depth位,其中只用一位数字表示原输入数据，这里的on_value就是这个数字，默认值为1，one-hot数据的其他位用off_value表示，默认值为0
import tensorflow as tf
classes = 5 #特征的维度为5，比如周一到周五
labels = [4,1,2] # 现在有3个样本，第一个样本表示周4，第二个样本表示周1，第3个样本表示周2
output = tf.one_hot(labels,classes)#将这3个样本进行独热编码：
sess = tf.Session()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
output = sess.run(output)
print("output of one-hot is : ",output)
# output of one-hot is : [[0. 0. 0. 0. 1.]
# [0. 1. 0. 0. 0.]
# [0. 0. 1. 0. 0.]]