给大家整理一篇相关的编程文章，网友薛婧芸根据主题投稿了本篇教程内容，涉及到Pytorch label one hot编码、one hot编码、label one hot编码、Pytorch将label变成one hot编码方式相关内容，已被762网友关注，下面的电子资料对本篇知识点有更加详尽的解释。
Pytorch将label变成one hot编码方式
由于Pytorch不像TensorFlow有谷歌巨头做维护，很多功能并没有很高级的封装，比如说没有tf.one_hot函数。
本篇介绍将一个mini batch的label向量变成形状为[batch size, class numbers]的one hot编码的两种方法，涉及到
tensor.scatter_tensor.index_select
前言
本文将针对全连接网络和全卷积网络输出的形式不同，将one hot编码分两种情况。
- 第一种针对网络输出是二维，即全连接层的输出形式， [Batchsize， Num_class]
- 第二种针对输出是四维特征图，即分割网络的输出形式，[Batchsize， Num_class， H，W]
先将第一种情况
使用scatter_获得one hot 编码
我相信在CSDN上找这个函数用法的人都是看不懂官方介绍的，所以我不会像其他地方那样，搬官方教程，我也是琢磨了很久才看懂这个函数，但函数声明还是要看看的。
tensor.scatter_(dim, index, src)
dim: 指定了覆盖数据是从哪个轴作为依据。后面再详细解释。值的范围是从0到 sum(tensor.shape)-1index： 告诉函数要将src中对应的值放到tensor的哪个位置。index的shape要和src一致，或者src可以通过广播机制实现shape一致。src: 保存了想用来覆盖tensor的值
我们先看一个例子，例子从别的博客copy过来，但我会做更加详细的介绍。觉得讲得好请留言作为鼓励。
>>> x = torch.rand(2, 5) >>> x 0.4319 0.6500 0.4080 0.8760 0.2355 0.2609 0.4711 0.8486 0.8573 0.1029 [torch.FloatTensor of size 2x5] >>> torch.zeros(3, 5).scatter_(0, torch.LongTensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x) 0.4319 0.4711 0.8486 0.8760 0.2355 0.0000 0.6500 0.0000 0.8573 0.0000 0.2609 0.0000 0.4080 0.0000 0.1029 [torch.FloatTensor of size 3x5]
注意到dim为0，代表以第一个维度作为依托。index是一个二维数组。
[0,1,2,0,0]
[2,0,0,1,2]
那么我们要覆盖tensor的位置有10个，分别为
[0,0];[1,1];[2,2];[0,3];[0,4]
[2,0];[0,1];[0,2];[1,3];[2,4]
dim指定了index我们要将index的值作为哪一个轴的值。其他轴就是按照0到max shape -1变化罢了。比如说dim为0，那么index的值都作为坐标的第一个位置的值，另一个位置从0到4变换。
你们可以验证下，是不是这10个位置被覆盖了。10个位置的第一个轴是index的数字，第二个数字是index中的列数，从0到4。
要覆盖的位置有了，那么用什么值覆盖呢？别忘了我们的index的维度和src是一样的。index中选择什么位置的坐标，就对应用src对应的位置的值代替。
比如说要代替tensor中[0,0]的值，index中[0,0]就是第0行第0列对应的位置，那我们用src第0行第0列的值代替tensor的值。大家可以去验证一下。
我们看看下面的的情况，如果dim为1呢。
>>> z = torch.zeros(2, 4).scatter_(1, torch.LongTensor([[2], [3]]), 1.23) >>> z
先分析一下
dim为1，那么index的值都作为坐标的第2个位置的值，第一个位置的值应该从0到1变化。
所以要被代替的位置有
[0,2];[1,3]
而[0,2]的位置要填入的值为1.23，[1,3]要填入的值为1.23。（广播机制将1.23这个标量扩展到了shape为（2,1））
好的，函数用法知道了。我们现在看看如何用该函数将label编码为one hot编码。
首先设想一个batch size为8的label。有10类，所以label中的数字应该是从0到9的。
import torch as t import numpy as np batch_size = 8 class_num = 10 label = np.random.randint(0,class_num,size=(batch_size,1)) label = t.LongTensor(label)
我们就获得了一个label，shape是(8,1)，必须是2维。如果是(8,)下面的内容会报错的。
y_one_hot = t.zeros(batch_size,class_num).scatter_(1,label,1) print(y_one_hot) ''' tensor([[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.], [0., 0., 0., 1., 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., 1.], [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.], [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.], [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.]]) '''
搞定。下面我们看下面一种方法。
使用tensor.index_select获得one hot编码
还是先看下index_select的用法。
tensor.index_select( dim, index, out=None)
dim: 指定按什么维度取tensor中的向量index: 是一个一维的张量。描述了按照dim维度取出tensor对应的index值的向量。
我们不看例子了，直接看方法，以此为例。
ones = torch.sparse.torch.eye(class_num) return ones.index_select(0,label)
这里的label是一维的向量，不是二维的。因为index制定了必须是一维的
先生成一个单位矩阵，尺寸是[class_num, class_num]。
dim为0，以为这按照行来取tensor的向量。具体取哪一行呢，就是label中的值了。
这时我们应该也明白为啥这两行代码能实现one hot编码了吧。
如果label是[ 1,3,0]，有四类。那我们得到就是
[0,1,0,0]
[0,0,0,1]
[1,0,0,0]
第二种针对分割网络的one_hot编码
对于分割类任务，网络的GT肯定是二维数组，而不是像分类任务那样的一维数组了。而对于分割任务，我们将其视作很多个像素值的分类任务，将ground truth 直接 reshape为向量形式，然后用上面的方法转为one hot编码，然后再reshape回来。核心是不变的。
下面举个例子。
import torch import numpy as np gt = np.random.randint(0,5, size=[15,15]) #先生成一个15*15的label，值在5以内，意思是5类分割任务 gt = torch.LongTensor(gt) def get_one_hot(label, N): size = list(label.size()) label = label.view(-1) # reshape 为向量 ones = torch.sparse.torch.eye(N) ones = ones.index_select(0, label) # 用上面的办法转为换one hot size.append(N) # 把类别输目添到size的尾后，准备reshape回原来的尺寸 return ones.view(*size) gt_one_hot = get_one_hot(gt, 5) print(gt_one_hot) print(gt_one_hot.shape) print(gt_one_hot.argmax(-1) == gt) # 判断one hot 转换方式是否正确，全是1就是正确的
另外注意，在Pytorch中，如果要和网络输出的特征图一起计算loss，还要把上面输出的one hot编码的最后一个维度使用permute转到通道维度上。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持码农之家。
