不调用库函数，用Python原生代码来实现独热码

最新推荐文章于 2022-11-23 09:33:27 发布

～一期一会、

最新推荐文章于 2022-11-23 09:33:27 发布

阅读量487

点赞数

文章标签： python 深度学习神经网络

本文链接：https://blog.youkuaiyun.com/qq_43403924/article/details/109963760

版权

本文介绍了独热码的基本概念及其在深度学习中的应用，并提供了一个不使用库函数的Python独热码编码实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、独热码简介

独热码，即 one-hot code, 直观来说就是有多少个状态就有多少比特，而且只有一个比特为1，其他全为0的一种码制。例如[0,1,0,0]就是一个只有当索引值为1时有效的独热码。

二、独热码在深度学习中的作用

在深度学习中，标签值往往是一个具体的数，但是神经网络的输出层的神经元个数一般是多个，且每个神经元都有一个输出值，为了能根据神经网络的输出预测值和数据的真实标签求出误差值，我们就需要将为具体数值的标签转换为独热码形式，例如将标签值y=3，转换为一个5分类的独热码y_trans=[0,0,0,1,0],假如此刻神经网络的输出为y_pred=[0.1,0.2,0.1,0.5,0.1],我们可以得出均方误差值E=(∑（y_pred[i]-y_trans[i]）^2)/5。

三、不调用库函数，用Python原生代码来实现独热码

设列表list1=[[2],[1],[3]]，要将其转换为分类数为class_num的独热码形式，代码以6分类为例。

list1=[[2],[1],[3]]
#将[[2],[1],[3]]  转为独热码格式 [[0,0,1...],[0,1,0...],[0,0,0,1...]]
def one_hot(list,class_num):
    result=[]
    for i in range(len(list)):
         list2=[]
         for j in range(class_num):
           if j!=list[i][0]:
              list2.append(0)
           else :
              list2.append(1)
         result.append(list2)
    return result

my_list=one_hot(list1,6)
print("原始列表:",list1)
print("独热码形式的列表:",my_list)

运行结果为：

原始列表: [[2], [1], [3]]
独热码形式的列表: [[0, 0, 1, 0, 0, 0], [0, 1, 0, 0, 0, 0], [0, 0, 0, 1, 0, 0]]