今天在完成深度學習的相關程式設計作業的時候，發現程式碼中出現了一個關於np.eye()的函式，這個函式的用法非常的簡單，但是在預製的程式碼中，這個函式的用法並非單單製造一個對角矩陣，而是通過其來將一個label陣列，大小為(1,m)或者(m,1)的陣列，轉化成one-hot陣列。例如他可以將類別總數為6的labels=[1,2,3,0,1,1]的陣列轉化成陣列[[0,1,0,0,0,0],[0,0,1,0,0,0],[0,0,0,1,0,0],[0,0,0,0,0,0],[0,1,0,0,0,0],[0,1,0,0,0,0]]這就是所謂的one-hot的形式。

一、np.eye()
函式的原型：numpy.eye(N,M=None,k=0,dtype=<class 'float'>,order='C)

返回的是一個二維2的陣列(N,M)，對角線的地方為1，其餘的地方為0.

引數介紹：

（1）N:int型，表示的是輸出的行數

（2）M：int型，可選項，輸出的列數，如果沒有就預設為N

（3）k：int型，可選項，對角線的下標，預設為0表示的是主對角線，負數表示的是低對角，正數表示的是高對角。

（4）dtype：資料的型別，可選項，返回的資料的資料型別

（5）order：{‘C’，‘F'}，可選項，也就是輸出的陣列的形式是按照C語言的行優先’C'，還是按照Fortran形式的列優先‘F'儲存在記憶體中

案例：（普通的用法）

import numpy as np

a=np.eye(3)
print(a)

a=np.eye(4,k=1)
print(a)

a=np.eye(4,k=-1)
print(a)

a=np.eye(4,k=-3)
print(a)
結果展示：

[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
[[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]
[0. 0. 0. 0.]]
[[0. 0. 0. 0.]
[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]]
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]
[1. 0. 0. 0.]]
案例：（深度學習中的高階用法，將陣列轉成one-hot形式）

import numpy as np

labels=np.array([[1],[2],[0],[1]])
print("labels的大小：",labels.shape,"\n")

#因為我們的類別是從0-2，所以這裡是3個類
a=np.eye(3)[1]
print("如果對應的類別號是1，那麼轉成one-hot的形式",a,"\n")

a=np.eye(3)[2]
print("如果對應的類別號是2，那麼轉成one-hot的形式",a,"\n")

a=np.eye(3)[1,0]
print("1轉成one-hot的陣列的第一個數字是：",a,"\n")

#這裡和上面的結果的區別，注意!!!
a=np.eye(3)[[1,2,0,1]]
print("如果對應的類別號是1,2,0,1，那麼轉成one-hot的形式\n",a)

res=np.eye(3)[labels.reshape(-1)]
print("labels轉成one-hot形式的結果：\n",res,"\n")
print("labels轉化成one-hot後的大小：",res.shape)
結果：

labels的大小： (4, 1)

如果對應的類別號是1，那麼轉成one-hot的形式 [0. 1. 0.]

如果對應的類別號是2，那麼轉成one-hot的形式 [0. 0. 1.]

1轉成one-hot的陣列的第一個數字是： 0.0

如果對應的類別號是1,2,0,1，那麼轉成one-hot的形式
[[0. 1. 0.]
[0. 0. 1.]
[1. 0. 0.]
[0. 1. 0.]]
labels轉成one-hot形式的結果：
[[0. 1. 0.]
[0. 0. 1.]
[1. 0. 0.]
[0. 1. 0.]]

labels轉化成one-hot後的大小： (4, 3)
---------------------
作者：愛摳腳的coder
來源：CSDN
原文：https://blog.csdn.net/m0_37393514/article/details/81455915
版權宣告：本文為博主原創文章，轉載請附上博文連結！