你如何在 Tensorflow 中解码 one-hot 标签？

Posted 2023-02-23

【中文标题】你如何在 Tensorflow 中解码 one-hot 标签？

【英文标题】：How do you decode one-hot labels in Tensorflow?

【发布时间】：2017-05-14 22:42:41

【问题描述】：

一直在寻找，但似乎找不到任何关于如何从 TensorFlow 中的 one-hot 值解码或转换回单个整数的示例。

我使用了tf.one_hot 并且能够训练我的模型，但是对于如何在分类后理解标签有点困惑。我的数据是通过我创建的TFRecords 文件输入的。我想过在文件中存储一个文本标签，但无法让它工作。似乎TFRecords 无法存储文本字符串，或者我弄错了。

【问题讨论】：

嘿@Matt，答案能解决你的问题吗？

【参考方案1】：

您可以使用tf.argmax 找出矩阵中最大元素的索引。由于您的一个热向量将是一维的，并且只有一个 1 和其他 0s，因此假设您正在处理单个向量，这将起作用。

index = tf.argmax(one_hot_vector, axis=0)

对于更标准的batch_size * num_classes 矩阵，使用axis=1 得到大小为batch_size * 1 的结果。

【参考方案2】：

由于 one-hot 编码通常只是一个具有batch_size 行和num_classes 列的矩阵，并且每一行都为零，并且有一个与所选类对应的非零，您可以使用tf.argmax() 来恢复整数标签向量：

BATCH_SIZE = 3
NUM_CLASSES = 4
one_hot_encoded = tf.constant([[0, 1, 0, 0],
                               [1, 0, 0, 0],
                               [0, 0, 0, 1]])

# Compute the argmax across the columns.
decoded = tf.argmax(one_hot_encoded, axis=1)

# ...
print sess.run(decoded)  # ==> array([1, 0, 3])

【讨论】：

OP 似乎只使用了一个向量，因为他提到他想要一个来自单热值的 单个整数

【参考方案3】：

data = np.array([1, 5, 3, 8])
print(data)


def encode(data):
    print('Shape of data (BEFORE encode): %s' % str(data.shape))
    encoded = to_categorical(data)
    print('Shape of data (AFTER  encode): %s\n' % str(encoded.shape))
    return encoded


encoded_data = encode(data)
print(encoded_data)

def decode(datum):
    return np.argmax(datum)

decoded_Y = []
print("****************************************")
for i in range(encoded_data.shape[0]):
    datum = encoded_data[i]
    print('index: %d' % i)
    print('encoded datum: %s' % datum)
    decoded_datum = decode(encoded_data[i])
    print('decoded datum: %s' % decoded_datum)
    decoded_Y.append(decoded_datum)


print("****************************************")

print(decoded_Y)

【参考方案4】：

tf.argmax 已折旧（因此，此页面上答案中的所有链接都是 404），现在应该使用 tf.math.argmax .

用法：

import tensorflow as tf
a = [1, 10, 26.9, 2.8, 166.32, 62.3]
b = tf.math.argmax(input = a)
c = tf.keras.backend.eval(b)
# c = 4
# here a[4] = 166.32 which is the largest element of a across axis 0

注意：您也可以使用numpy 执行此操作。