Функция F.one_hot

Функция F.one_hot преобразует тензор, содержащий целочисленные метки классов, в тензор one-hot кодирования. Первым параметром функция принимает входной тензор с индексами классов. Вторым параметром можно указать общее количество классов через num_classes. Результатом является тензор, где каждая строка содержит единицу на позиции, соответствующей индексу класса, и нули на остальных позициях.

Синтаксис

torch.nn.functional.one_hot(tensor, num_classes=-1)

Пример

Давайте преобразуем тензор с метками классов в one-hot представление:

import torch
import torch.nn.functional as F

t = torch.tensor([0, 1, 2, 3])
res = F.one_hot(t)
print(res)

Результат выполнения кода:

tensor([
	[1, 0, 0, 0],
	[0, 1, 0, 0],
	[0, 0, 1, 0],
	[0, 0, 0, 1],
])

Пример

Укажем количество классов вручную с помощью параметра num_classes:

import torch
import torch.nn.functional as F

t = torch.tensor([1, 2, 0])
res = F.one_hot(t, num_classes=5)
print(res)

Результат выполнения кода:

tensor([
	[0, 1, 0, 0, 0],
	[0, 0, 1, 0, 0],
	[1, 0, 0, 0, 0],
])

Пример

Применяем one-hot кодирование к двумерному тензору пакета данных:

import torch
import torch.nn.functional as F

t = torch.tensor([
	[1, 0, 3],
	[2, 1, 0],
])
res = F.one_hot(t, num_classes=4)
print(res.shape)
print(res)

Результат выполнения кода:

torch.Size([2, 3, 4])
tensor([
	[
		[0, 1, 0, 0],
		[1, 0, 0, 0],
		[0, 0, 0, 1],
	],
	[
		[0, 0, 1, 0],
		[0, 1, 0, 0],
		[1, 0, 0, 0],
	],
])

Смотрите также

функцию embedding,
которая выполняет поиск по таблице вложений
функцию softmax,
которая преобразует логиты в вероятности классов
функцию cross_entropy,
которая использует метки классов для вычисления ошибки
функцию nll_loss,
которая вычисляет отрицательное логарифмическое правдоподобие