tf.one_hot在看conditionGAN的時候注意到label的輸入要把它轉(zhuǎn)換成one-hot形式，再與噪聲z進(jìn)行tf.concat輸入，之前看的時候忽略了，現(xiàn)在再看才算明白為什么。

tf.one_hot(
indices,#輸入，這里是一維的
depth,# one hot dimension.
on_value=None,#output 默認(rèn)1
off_value=None,#output 默認(rèn)0
axis=None,#根據(jù)我的實驗，默認(rèn)為1
dtype=None,
name=None
)

代碼

import tensorflow as tf import numpy as np z=np.random.randint(0,10,size=[10]) y=tf.one_hot(z,10,on_value=1,off_value=None,axis=0) with tf.Session()as sess:print(z)print(sess.run(y))

[5 7 7 0 5 5 2 0 0 0]
[[0 0 0 1 0 0 0 1 1 1]
[0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 1 0 0 0]
[0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0]
[1 0 0 0 1 1 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0]
[0 1 1 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0]]

!/usr/bin/env python3-*- coding: utf-8 -*- import tensorflow as tf import numpy as np import os os.environ["CUDA_VISIBLE_DEVICES"] = "2" z=np.random.randint(0,10,size=[10]) y=tf.one_hot(z,10,on_value=1,off_value=None) y1=tf.one_hot(z,10,on_value=1,off_value=None,axis=1) with tf.Session()as sess:print(z)print(sess.run(y))print("axis=1按行排", sess.run(y1)) [6 3 4 9 6 5 5 1 2 1]

[[0 0 0 0 0 0 1 0 0 0]
[0 0 0 1 0 0 0 0 0 0]
[0 0 0 0 1 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 1]
[0 0 0 0 0 0 1 0 0 0]
[0 0 0 0 0 1 0 0 0 0]
[0 0 0 0 0 1 0 0 0 0]
[0 1 0 0 0 0 0 0 0 0]
[0 0 1 0 0 0 0 0 0 0]
[0 1 0 0 0 0 0 0 0 0]]
axis=1按行排 [[0 0 0 0 0 0 1 0 0 0]
[0 0 0 1 0 0 0 0 0 0]
[0 0 0 0 1 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 1]
[0 0 0 0 0 0 1 0 0 0]
[0 0 0 0 0 1 0 0 0 0]
[0 0 0 0 0 1 0 0 0 0]
[0 1 0 0 0 0 0 0 0 0]
[0 0 1 0 0 0 0 0 0 0]
[0 1 0 0 0 0 0 0 0 0]]

感覺實際用的時候可以不傳入axis值。可以看到經(jīng)過one-hot的處理，輸入的維度變成了10×depth，值也變成了0和1.

下面說在condition GAN中要輸入標(biāo)簽信息y，怎樣處理的。
y是mnist的標(biāo)簽值，0和10之間的整數(shù)，尺寸為[BATCH],經(jīng)過one-hot處理后維度變成了[BATCH，10]值也是0和1，此時再與噪聲z按列（axis=1）連接，變成條件GAN的輸入。因此one-hot操作是必須的，這個處理在infoGAN中將z，categorical latent code、continuous latent code連接在一起輸入也要用到。

y = tf.one_hot(y, 10, name=’label_onehot’)
z = tf.random_uniform([BATCH, 10], -1, 1, name=’z_train’)
tf.concat([z, y], 1)

總結(jié)

以上是生活随笔為你收集整理的tf.one_hot的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。