有時我們的樣本標簽,都是標記從0開始直至到類別的個數。在模型訓練的時候,這些標簽需要變成one_hot向量,這樣才能夠跟softmax出來的概率做互熵損失,計算loss。
那么,映射的方法如下:
1 def to_one_hot(y, n_class): 2 return np.eye(n_class)[y]
y: 類型是list,樣本的類別標簽序列
n_class: 類別的個數
x = to_one_hot([0,1,2], 3) print(x)
輸出:
有時我們的樣本標簽,都是標記從0開始直至到類別的個數。在模型訓練的時候,這些標簽需要變成one_hot向量,這樣才能夠跟softmax出來的概率做互熵損失,計算loss。
那么,映射的方法如下:
1 def to_one_hot(y, n_class): 2 return np.eye(n_class)[y]
y: 類型是list,樣本的類別標簽序列
n_class: 類別的個數
x = to_one_hot([0,1,2], 3) print(x)
輸出:
本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。