Tensorflow一个热编码器？

Question

张量流是否具有类似于scikit Learn的一种用于处理分类数据的热编码器？使用tf.string的占位符会表现为分类数据吗？

我意识到我可以在将数据发送到tensorflow之前对其进行手动预处理，但是将其内置非常方便。

Answer 1

从TensorFlow
0.8开始，现在有一个原生的一站式操作，tf.one_hot可以将一组稀疏标签转换为密集的一站式表示形式。这是的补充tf.nn.sparse_softmax_cross_entropy_with_logits，在某些情况下，您可以使您直接在稀疏标签上计算交叉熵，而不必将其转换为单热点。

以前的答案，以防您想采用旧方法： @Salvador的答案是正确的-
以前（过去）没有本机操作。但是，您可以使用稀疏到密集运算符在tensorflow中本地执行此操作，而不是在numpy中执行此操作：

num_labels = 10

# label_batch is a tensor of numeric labels to process
# 0 <= label < num_labels

sparse_labels = tf.reshape(label_batch, [-1, 1])
derived_size = tf.shape(label_batch)[0]
indices = tf.reshape(tf.range(0, derived_size, 1), [-1, 1])
concated = tf.concat(1, [indices, sparse_labels])
outshape = tf.pack([derived_size, num_labels])
labels = tf.sparse_to_dense(concated, outshape, 1.0, 0.0)

输出，labels，是batch_size x num_labels的单矩阵。

还要注意的是，从2016年2月12日开始（我认为最终将成为0.7版本的一部分），TensorFlow还提供了tf.nn.sparse_softmax_cross_entropy_with_logitsop，在某些情况下可以让您进行训练而无需转换为单编码。

编辑添加：最后，您可能需要显式设置标签的形状。形状推断无法识别num_labels组件的大小。如果您不需要带有Derived_size的动态批处理大小，则可以简化此过程。

编辑于2016年2月12日，更改了以下每个注释的形状分配。