文章目錄

• 前言
• 一、One-hot是什么？
• 二、應用場景
• 三、One-hot創建方法(3種)
• • 1.for 循環生成
  • 2.arange遍歷方法
  • 3.scatter_方法
• 四、總結

---

前言

今天閑來無事，因為學習人工智能的道路上遇到了很多問題，糾結從那個問題開始解決？但是不要緊，我已經有答案了。所以，我決定總結一下最近學習知識要點，以緩解緊張的學習氣氛。哈哈哈~~,來吧，進入正題。

/font>

---

提示：講一下數據預處理之One-Hot。以下是本篇文章正文內容，下面案例可供參考

一、One-hot是什么？

示例：對于這個問題，之前谷歌了一下，還涉及寄存器了（one-hot編碼是N位狀態寄存器為N個狀態進行編碼的方式）。。真的無語。這里不說那些很底層的，我們只需要了解one-hot編碼是將類別變量轉換為機器學習算法中容易處理的一種形式！
概念太抽象了，對太抽了，那么從實際例子來說明。
如下我們有兩個特征：

我們看到有兩個特證名為：animal與food，解釋一下兩列值意思，第一列代表的是動物的名字，第二列是食物的個數，比如第一行cat 2 描述為貓吃了兩個食物，這里是測試數據，主要是想通過，這些數據給予直觀的認識及實際操作。
而對上述數據做one-hot編碼后得結果為：

animal列數據類型是字符串，而第二列是數值型，如果我們能將這些特征值用0/1表示，是不是在機器學習中，對這些非連續值非常有幫助。綜上，我們推論出，如果你在處理的數據中，通過特征工程這一步操作，能夠將特征的類型判別出來，哪些是連續的，哪些是非連續的，那么我們就可以對它進行特殊處理，比如此處的one-hot編碼！

二、應用場景

在模型訓練中，常常會根據損失函數的大小作為訓練效果的好壞。通常會使用:

1. 平均絕對誤差(MAEloss)，
2. 均方誤差(MSEloss)，需要做one-hot以及加入softmax輸出函數。
3. 二分類交叉熵(BCELoss),需要做one-hot以及加入softmax輸出函數。
4. 二分類交叉熵（BCEWithLogitsLoss，對輸入值自動做sigmoid，但需要做one-hot。
5. 多分類交叉熵(CrossEntropyLoss),自動對輸入數據做one-hot和softmax。

三、One-hot創建方法(3種)

1.for 循環生成

代碼如下（示例）：

 def one_hot(w,h,arr):zero_arr = np.zeros([w,h])#w行，h列for i in range(w):j = int(arr[i])zero_arr[i][j]=1return zero_arrarr = np.array([5, 2, 8, 6])one_hot(len(arr),max(arr)+1,arr)

2.arange遍歷方法

該方法前提是：arr = np.array([5, 2, 8, 6])是這樣的類型，即數組類型。
代碼如下（示例）：

#法1
arr = np.array([5, 2, 8, 6])
zero_arr = torch.zeros(len(arr),max(arr)+1)
zero_arr[torch.arange(len(arr)),arr]=1   #arange非常類似range函數
#或者一步到位
#法2
torch.zeros(len(arr), max(arr) + 1)[torch.arange(len(arr)),arr]=1

# 一級標題

3.scatter_方法

該方法前提是：arr = torch.tensor([5, 2, 8, 6])是這樣的類型，即張量(tensor)類型。
代碼如下（示例）：

arr = torch.tensor([5, 2, 8, 6])torch_out =torch.zeros(len(arr),max(arr)+1).scatter_(1,arr.reshape(-1,1),1)
'''scatter_(input, dim, index, src)可以理解成放置元素或者修改元素
dim：沿著哪個維度進行索引. 一般為1或-1
index：用來 scatter 的元素索引
src：用什么內容來修改交換，可以是一個標量或一個張量'''
'''reshape(-1,1)轉換成1列：
reshape(1,-1)轉化成1行：for
reshape(2,-1)轉換成兩行：
reshape(-1,2)轉化成兩列''';

四、總結

提示：這里對文章進行總結：
1.多分類交叉熵CrossEntropyLoss()，不需要做ong-hot，自動做onehot和softmax。
2.均方差MSELoss，需要做onehot和輸出函數。
3.二分類交叉熵BCELoss()，需要做onehot和輸出函數。
4.二分類交叉熵BCEWithLogitsLoss，onehot，但不用做輸出函數。

總結

以上是生活随笔為你收集整理的四、One-hot和损失函数的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。