np.eye()的函数能将一个label数组，大小为(1,m)或者(m,1)的数组，转化成one-hot数组

火星种萝卜 火星种萝卜 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 242平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄19年
关注
转载 最新推荐文章于 2026-10-06 10:49:16 发布 242 阅读 AI 写同款· GEO 优化 ›
python中np.eye()函数的使用 numpy.eye(N,M=None, k=0, dtype=<type ‘float’>) 关注第一个第三个参数就行了 第一个参数：输出方阵（行数=列数）的规模，即行数或列数 第三个参数：默认情况下输出的是对角线全“1”，其余全“0”的方阵，如果k为正整数，则在右上方第k条对角线全“1”其余全“0”，k为负整数则在左下方第k条对角线全“1”其余全“0”。 原文链接：https://blog.csdn.net/chixujohnny/article/details/51011931 >&g 阅读详情

np.eye()的函数，这个函数的用法非常的简单，但是在预制的代码中，这个函数的用法并非单单制造一个对角矩阵，而是通过其来将一个label数组，大小为(1,m)或者(m,1)的数组，转化成one-hot数组

https://blog.youkuaiyun.com/m0_37393514/article/details/81455915

收录于
深度学习

当前文章被收录于：

深度学习
40 篇文章 0 人学习
订阅专栏 查看详情
原文链接：https://blog.youkuaiyun.com/m0_37393514/article/details/81455915>
人工神经网络基础：从神经元点火到反向传播的可调试计算流程 人工神经网络（ANN）是深度学习的基石，其本质是一套结构清晰、可逐层推演的数学计算范式，核心在于神经元加权求和、非线性激活与误差反向传播三大机制。它并非黑箱，而是通过权重与偏置编码数据规律，以梯度下降驱动参数自适应优化。相比传统规则引擎，ANN擅长从高维稀疏样本中拟合复杂模式，在图像识别、语音处理等任务中展现出强大泛化能力。本文聚焦ANN最简两层结构，结合手算示例与NumPy实现，详解前向传播如何模拟特征提取、损失函数如何量化预测偏差、反向传播如何分解并修正每层参数——让零基础读者也能在纸笔、代码与调试中真 阅读详情

相关推荐

从零手写AI核心算法：线性回归、Softmax与神经网络层实现

在人工智能和机器学习领域，理解底层原理是构建扎实技术能力的关键。许多开发者熟悉调用高级API，但对支撑模型的数学、算法和架构却一知半解。本文聚焦于通过手写实现核心算法来穿透技术迷雾，获得扎实的构建能力。我们将从机器学习的基础概念切入，探讨梯度下降、反向传播等核心原理的技术价值。通过亲手实现线性回归、Softmax分类器以及神经网络层等模块，你将深刻理解从数学公式到代码实现的完整链条。这种实践方法不仅能破除对数学符号的恐惧，更能打开算法黑箱，培养对架构设计的直觉。最终，这种深度实践将引导你从技术的“使用者”转

weixin_30307921的博客 476

np.eye()函数详细用法（生成数组以及将数组转成one-hot形式）

np.eye() 函数的原型：numpy.eye(N,M=None,k=0,dtype=<class ‘float’>,order=‘C) 返回的是一个二维2的数组(N,M)，对角线的地方为1，其余的地方为0. 参数介绍： （1）N:int型，表示的是输出的行数 （2）M：int型，可选项，输出的列数，如果没有就默认为N （3）k：int型，可选项，对角线的下标，默认为0表示的是主对角线，负数表示的是低对角，正数表示的是高对角。 （4）dtype：数据的类型，可选项，返回的数据的数据类型 （5.

leilei7407的博客 1万+

OpenCV-Python实战（31）——实时面部情绪检测与识别系统

我们已经熟悉了目标检测和目标识别的概念。在本节中，我们将开发一个能同时完成这两项任务的应用程序。该应用能够在摄像头实时画面的每一帧中检测人物面部，识别面部情绪，并在图形用户界面 (Graphical User Interface, GUI) 上标注出来。本节的目标是开发一个应用，将人脸检测与人脸识别相结合，重点是对检测到的人脸进行情绪表达识别。读完本节后，我们将能够在自己的不同应用中使用人脸检测和人脸识别技术。

盼小辉丶的博客 1859

np.eye()和np.identity()

今天在完成深度学习的相关编程作业的时候，发现代码中出现了一个关于np.eye()的函数，这个函数的用法非常的简单，但是在预制的代码中，这个函数的用法并非单单制造一个对角矩阵，而是通过其来将一个label数组，大小为(1,m)或者(m,1)的数组，转化成one-hot数组。例如他可以将类别总数为6的labels=[1,2,3,0,1,1]的数组转化成数组[[0,1,0,0,0,0],[0,0,1,0...

coder 7万+

【信息科学与工程学】【数据科学】数据科学领域 第六篇 算法设计 07 堆、栈、表、矩阵、集合、队列、数组、字符串、树、图、动态规划、结构体、元组的算法01

当前段必须包含所有字符的最后出现位置。1. 字符串分割成最多片段2. 基因序列功能域划分3. 文本段落划分4. 音频声道分离5. 图像色彩分区6. 社交网络社群划分7. 蛋白质结构域8. 音乐乐章分段9. 代码模块划分10. 章节划分特征：一次扫描，贪心确定边界。

weixin_49199313的博客 1272

双任务人脸系统：人脸识别与表情识别协同落地实践

人脸识别与表情识别是计算机视觉中两大基础任务，前者聚焦身份判别，依赖度量学习实现高精度特征匹配；后者属于细粒度分类，需捕捉微表情、光照变化及跨人种肌肉运动差异。二者协同可支撑门禁考勤、在线教育、智能客服等真实场景，但传统单模型单任务方案常因检测鲁棒性差、对齐失真、模型耦合导致工业落地失败。本文基于深度学习构建解耦式三级流水线（检测→对齐→双分支识别），采用MTCNN+仿射对齐保障关键点精度，ArcFace与Focal Loss分别优化身份检索与表情分类，并通过TensorRT加速、动态特征库、Retinex

weixin_34050005的博客 333

利用np.eye(n)(x)进行one-hot化

np.eye(3)生产一个单位矩阵3*3的单位矩阵 当np.eye(3)后面跟一个整数i时，此时取得是该矩阵的第i行。 tp1=np.eye(3) tp1=[[1,0,0], [0,1,0], [0,0,1]] tp1[2]取该矩阵的第2行，为 [0，0，1] 当np.eye(3)后面跟一个数列时，此时取得是该矩阵的多个行 tp1[1][2]取的是矩阵索引为1，2的...

u011916041的博客 1244

基于BWO-KELM的故障诊断：核极限学习机参数自动寻优

机器学习模型的性能往往取决于超参数设置，尤其在核极限学习机（KELM）中，正则化系数C和核参数gamma的取值直接决定了分类器的泛化能力。传统网格搜索与手工调参效率低且易陷入局部最优。白鲸优化算法（BWO）作为一种新型群体智能优化算法，通过模拟白鲸的探索、捕食与鲸落行为，能够高效地在参数空间中寻找最优组合，从而提升KELM在复杂故障特征下的识别精度。在轴承故障诊断场景中，振动信号经预处理与特征提取后，BWO自动寻优KELM参数，可显著提高诊断准确率与鲁棒性。本文从KELM原理出发，结合BWO算法特性，并给出

weixin_34008933的博客 214

numpy.eye() 生成对角矩阵

numpy.eye(N, M=None, k=0, dtype=) 关注第一个第三个参数就行了 第一个参数：输出方阵（行数=列数）的规模，即行数或列数 第三个参数：默认情况下输出的是对角线全“1”，其余全“0”的方阵，如果k为正整数，则在右上方第k条对角线全“1”其余全“0”，k为负整数则在左下方第k条对角线全“1”其余全“0”。 >>> np.eye(2, dtype=int)

chixujohnny 6万+

西瓜数据集上的LDA实战：从数值化到判别边界可视化

线性判别分析（LDA）是一种经典的有监督降维与分类方法，其核心在于构建类间散度与类内散度的比值函数，并通过求解广义特征值问题获得最优投影方向。该技术广泛应用于模式识别、生物信息学和工业质检等场景，尤其适合小样本、高维稀疏数据的可解释性建模。在实际工程中，LDA的落地难点往往不在理论推导，而在于离散特征的合理数值化、散度矩阵的数值稳定性保障，以及投影结果在原始特征空间的几何还原。本文以周志华《机器学习》中的西瓜数据集为载体，聚焦LDA.zip项目结构、语义映射预处理、NumPy手写实现与判别边界可视化等关键环

weixin_34353714的博客 420

基于图神经网络的文本分类：TextGCN、TextING与LEAM复现指南

图神经网络（GNN）通过节点与边的消息传递机制，能够有效建模文本中的全局共现与局部交互关系，为文本分类提供了超越传统序列模型的新路径。其技术价值在于利用图结构捕捉词与文档间的复杂依赖，尤其适用于标注数据有限但无标注语料丰富的场景。在NLP自然语言处理中，GNN已广泛应用于文档分类、情感分析等任务。TextGCN将语料建模为异构图，TextING利用图注意力捕捉词级交互，LEAM则通过标签嵌入增强语义区分。本文围绕这三个模型，提供从数据准备到模型搭建的完整复现方案，适合作为NLP期末大作业的实践参考。

weixin_29057695的博客 296

np.eye()

今天在完成深度学习的相关编程作业的时候，发现代码中出现了一个关于np.eye()的函数，这个函数的用法非常的简单，但是在预制的代码中，这个函数的用法并非单单制造一个对角矩阵，而是通过其来将一个label数组，大小为(1,m)或者(m,1)的数组，转化成one-hot数组。例如他可以将类别总数为6的labels=[1,2,3,0,1,1]的数组转化成数组[[0,1,0,0,0,0],[0,0,1,0...

weixin_30349597的博客 105

PyTorch从零构建可复现人脸识别系统：检测对齐、ArcFace训练与LFW/CFP验证

人脸识别是计算机视觉基础任务，其核心在于特征可分性与数据一致性。原理上依赖人脸检测定位、几何对齐标准化、深度特征度量学习三阶段协同；技术价值体现在模型可复现性、跨姿态泛化能力及指标可验证性；典型应用场景包括课程设计、毕业设计与求职项目落地。本文聚焦毕设级工程实践，基于PyTorch实现端到端流水线，覆盖RetinaFace高精度检测、仿射对齐、ResNet34+ArcFace训练，以及LFW/TAR@FAR和CFP-FP侧脸鲁棒性验证，确保每一环节可调试、可溯源、可答辩。

weixin_29047919的博客 334

CNTK 实战教程：从逻辑回归到多分类——基于 BrainScript 网络描述语言与训练配置的完整入门

本教程围绕 Microsoft Cognitive Toolkit（CNTK）的官方入门示例 [HelloWorld-LogisticRegression](https://link.gitcode.com/i/b288bfc1ddf92e64973bfeee2c72b9f9) 展开，完整演示了三个核心技能：如何用网络描述语言 **BrainScript** 描述一个前向网络、如何设置 SGD 训

gitblog_00452的博客 303

基于深度学习的人脸识别与表情识别：TensorFlow+OpenCV实战

卷积神经网络（CNN）是深度学习处理图像任务的核心技术，通过卷积、池化等操作自动提取从边缘到语义的层次化特征。在人脸识别与表情识别场景中，CNN分别完成身份特征嵌入和情绪分类。TensorFlow提供了高效的CNN构建与训练接口，OpenCV则负责实时视频流采集、人脸检测与对齐。二者结合，可在本地实现从检测、对齐到识别与表情分析的完整流水线，适用于智慧门禁、考勤管理、课堂状态分析等工程场景。本文围绕基于深度学习的人脸识别和表情识别设计，详解环境配置、双模型构建、推理流水线及避坑经验。

weixin_29051245的博客 262

海天注塑机弘讯控制器Modbus数据采集实战指南

工业设备数据采集是MES系统、设备监控和工艺追溯的基础，其中注塑机联网是车间数字化的关键环节。Modbus协议作为工业通信的事实标准，以简单、开放、低成本的优势，成为海天注塑机弘讯控制器对外提供数据的主要方式。理解控制器型号与通信参数、捋清寄存器点位表与字节序规则，是稳定采集的前提。通过RS485串口或以太网轮询，可以实时获取产量、温度、压力、报警等关键数据，进而支撑OEE统计、质量追溯与异常监控。本文基于实战项目，以海天注塑机弘讯控制器为例，梳理从接线、参数配置到点位验证的完整流程，为现场工程师提供一套可

weixin_28733777的博客 905

从零手写机器学习算法：NumPy纯实现指南

机器学习算法本质是数学原理的程序化表达，其核心在于参数更新、梯度计算与数值稳定性等底层机制。理解线性回归的梯度下降、决策树的信息增益、神经网络的反向传播等概念，需穿透scikit-learn等封装库，直面矩阵运算、张量形状匹配与浮点精度控制等工程细节。这种‘白盒实现’不仅强化数学直觉，更培养对过拟合、梯度爆炸、维度不匹配等典型问题的调试敏感度，广泛应用于算法岗面试准备、嵌入式模型轻量化改造及教学演示等真实场景。

weixin_33910460的博客 512

在Ubuntu 22.04上从零搭建FVCOM环境：手把手搞定Linux、Intel编译器与NetCDF库

本文详细指导在Ubuntu 22.04上从零搭建FVCOM环境，涵盖Linux系统配置、Intel编译器安装、NetCDF库编译及常见问题解决。通过手把手教程，帮助科研人员高效完成水动力数值模拟环境的部署，特别适合水环境研究领域的初学者。

weixin_30613727的博客 650

EM算法实战拆解：隐变量估计的迭代逼近原理与GMM实现

EM算法是处理含隐变量的最大似然估计问题的核心框架，其本质是在观测数据不完整时，通过期望（E步）与最大化（M步）的交替迭代，构建对数似然函数的下界并逐步提升。该方法不依赖完整标签，适用于聚类、推荐系统、词性标注等典型场景，技术价值在于以概率化软分配替代硬划分，提升噪声鲁棒性。本文聚焦高斯混合模型（GMM）这一最常用载体，详解E步后验概率计算、M步加权参数更新、数值稳定性保障及收敛判据设计，覆盖从原理理解到可运行代码的完整链路。

weixin_29038537的博客 324

示波器实测RGMII信号：从125MHz时钟判断千兆模式，到时序抓取与PHY寄存器避坑

本文详细介绍了使用示波器实测RGMII信号的完整流程，包括125MHz时钟频率判断、时序参数测量及PHY寄存器配置避坑指南。通过实战操作和典型故障案例分析，帮助硬件工程师快速定位和解决千兆以太网接口的调试问题，提升通信稳定性。

weixin_30015371的博客 260

360加固DEX解密与ELF修复技术解析

本文深入解析360加固的DEX解密与ELF修复技术，详细介绍了其多层保护机制、Java层入口分析、Native层加载流程及反调试绕过技巧。通过RC4和zlib解密技术，结合Frida工具实现内存Dump和ELF文件修复，为逆向工程师提供实用解决方案。

weixin_29327525的博客 511
上一篇： udacity 项目3人脸检测
下一篇： 关于numpy中eye和identity的区别详解
点赞 0
评论 0
书签 书签 0
火星种萝卜
火星种萝卜
博客等级 码龄19年 438粉丝 304原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值