tf.one_hot()使用
阿新 • • 發佈:2019-02-15
tf.one_hot在看conditionGAN的時候注意到label的輸入要把它轉換成one-hot形式,再與噪聲z進行tf.concat輸入,之前看的時候忽略了,現在再看才算明白為什麼。
tf.one_hot(
indices,#輸入,這裡是一維的
depth,# one hot dimension.
on_value=None,#output 預設1
off_value=None,#output 預設0
axis=None,#根據我的實驗,預設為1
dtype=None,
name=None
)
程式碼
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中要輸入標籤資訊y,怎樣處理的。
y是mnist的標籤值,0和10之間的整數,尺寸為[BATCH],經過one-hot處理後維度變成了[BATCH,10]值也是0和1,此時再與噪聲z按列(axis=1)連線,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連線在一起輸入也要用到。
y = tf.one_hot(y, 10, name='label_onehot')
z = tf.random_uniform([BATCH, 100], -1, 1, name='z_train')
tf.concat([z, y], 1)