Функция to_categorical

Функция to_categorical преобразует целочисленные метки классов в бинарную матрицу в формате one-hot. Первым параметром функция принимает массив или тензор с целочисленными метками. Вторым параметром можно передать общее количество классов num_classes. Если параметр не указан, количество классов определяется автоматически как максимальное значение метки плюс один. Функция возвращает матрицу, в которой каждая строка соответствует одной метке, а столбец с индексом метки содержит единицу, остальные элементы равны нулю.

Синтаксис

tf.keras.utils.to_categorical(y, [num_classes])

Пример

Давайте преобразуем метки 0, 1, 2 в one-hot представление:

import tensorflow as tf

labels = [0, 1, 2]
res = tf.keras.utils.to_categorical(labels)
print(res)

Результат выполнения кода:

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

Пример

Давайте укажем количество классов явно через параметр num_classes:

import tensorflow as tf

labels = [0, 1, 2]
res = tf.keras.utils.to_categorical(labels, num_classes=5)
print(res)

Результат выполнения кода:

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]]

Пример

Давайте преобразуем метки, представленные в виде тензора:

import tensorflow as tf

labels = tf.constant([1, 0, 2, 1])
res = tf.keras.utils.to_categorical(labels, num_classes=3)
print(res)

Результат выполнения кода:

[[0. 1. 0.]
 [1. 0. 0.]
 [0. 0. 1.]
 [0. 1. 0.]]

Смотрите также

функцию normalize,
которая нормализует данные
функцию mnist,
которая загружает датасет MNIST
функцию fashion_mnist,
которая загружает датасет Fashion MNIST
функцию cifar10,
которая загружает датасет CIFAR-10