【模块化编程】数据标签 转 独热编码

🌈 个人主页：十二月的猫-CSDN博客
🔥 系列专栏： 🏀《Python/PyTorch极简课》_十二月的猫的博客-CSDN博客

💪🏻 十二月的寒冬阻挡不了春天的脚步，十二点的黑夜遮蔽不住黎明的曙光 

目录

 1. 前言

2. 标签转独热编码函数

2.1 完整函数

2.2 函数功能解释

3. 实战示例

4. 总结

 1. 前言

• 👑《Python/PyTorch极简课》专栏持续更新中，未来最少文章数量为100篇。由于专栏刚刚建立，目前免费，后续将慢慢恢复原价至99.9🍉。
• 👑《Python/PyTorch极简课》专栏主要针对零基础入门的小伙伴。不需要Python基础，不需要深度学习基础，只要你愿意学，这一个专栏将真正让你做到零基础入门。
• 🔥每例项目都包括理论讲解、数据集、源代码。

正在更新中💹💹

🚨项目运行环境：

• 平台：Window11
• 语言环境：Python3.8
• 运行环境1：PyCharm 2021.3
• 运行环境2：Jupyter Notebook 7.3.2
• 框架：PyTorch 2.5.1（CUDA11.8）

2. 标签转独热编码函数

2.1 完整函数

def label2onehot(logits, labels):
    """
    将标签转换为 one-hot 编码形式。

    参数:
    logits (torch.Tensor 或 np.ndarray): 模型的输出 logits，形状通常为 (batch_size, num_classes)。
    labels (list 或 torch.Tensor): 对应的标签，形状为 (batch_size,)。

    返回:
    np.ndarray: 转换后的 one-hot 编码，形状与 logits 相同。
    """
    # 创建一个与 logits 形状相同的全零张量
    label_onehot = torch.zeros_like(torch.tensor(logits))
    
    # 使用 scatter_ 函数将 labels 转换为 one-hot 编码
    label_onehot.scatter_(1, torch.tensor(labels).long().view(-1, 1), 1)
    
    # 将 one-hot 编码的张量转换为 numpy 数组并返回
    return label_onehot.numpy()

•  将 logits 转换为 PyTorch 张量，并创建一个与其形状相同的全零张量。
• 将 labels 转换为适合 scatter_ 函数使用的格式（整数类型，二维形状）。
• 使用 scatter_ 函数将 labels 转换为 one-hot 编码。
• 将 one-hot 编码的张量转换为 numpy 数组并返回。  

2.2 函数功能解释

1. label_onehot = torch.zeros_like(torch.tensor(logits))：

1. 作用: 创建一个与 logits 形状相同的全零张量，用于存储最终的 one-hot 编码。
2. torch.tensor(logits): 将输入的 logits 转换为 PyTorch 张量。logits 通常是一个二维数组，形状为 (batch_size, num_classes)，表示模型的输出（每个样本对每个类别的得分）。
3. torch.zeros_like(...): 创建一个与输入张量形状相同的全零张量。
4. 示例:

logits = [[0.1, 0.2, 0.7], [0.9, 0.05, 0.05]]  # 形状: (2, 3)
label_onehot = torch.zeros_like(torch.tensor(logits))
# 输出: tensor([[0., 0., 0.],
#               [0., 0., 0.]])

 模型输出的结果都是二维的：每一行是一个记录；每一列是对一个label的可能性评估

2. torch.tensor(labels).long().view(-1, 1)：

1.  作用: 将 labels 转换为适合 scatter_ 函数使用的格式。
2. torch.tensor(labels): 将输入的 labels 转换为 PyTorch 张量。labels 通常是一个一维数组，形状为 (batch_size,)，表示每个样本的真实类别索引。
3. .long(): 将张量的数据类型转换为 torch.long（64 位整数类型），因为 scatter_ 函数要求索引必须是整数类型。
4. .view(-1, 1): 将 labels 从一维 (batch_size,) 调整为二维 (batch_size, 1)，以便与 scatter_ 函数兼容。
5. 示例: 

labels = [2, 0]  # 形状: (2,)
index_tensor = torch.tensor(labels).long().view(-1, 1)
# 输出: tensor([[2],
#               [0]])

3. label_onehot.scatter_(1, index_tensor, 1)：

1. 作用: 使用 scatter_ 函数将 labels 转换为 one-hot 编码。
2. scatter_(dim, index, value): 在指定维度 dim 上，根据 index 将 value 填充到目标张量中。
   1. dim=1: 表示在第二个维度（列）上进行填充。
   2. index: 指定填充的位置（即 labels 转换后的张量）。
   3. value=1: 在指定位置填充 1。
3. 示例:

label_onehot = torch.zeros(2, 3)  # 形状: (2, 3)
index_tensor = torch.tensor([[2], [0]])  # 形状: (2, 1)
label_onehot.scatter_(1, index_tensor, 1)
# 输出: tensor([[0., 0., 1.],
#               [1., 0., 0.]])

看起来二维的Tensor在列上是隔开的，但正如线代的矩阵，Tensor在列和行上都是相连的。

4. return label_onehot.numpy()：

1. 作用: 将 one-hot 编码的 PyTorch 张量转换为 numpy 数组并返回。
2. numpy(): 将 PyTorch 张量转换为 numpy 数组，便于与其他库（如 NumPy、SciPy）兼容。
3. 示例:

label_onehot = torch.tensor([[0., 0., 1.], [1., 0., 0.]])
onehot_numpy = label_onehot.numpy()
# 输出: array([[0., 0., 1.],
#              [1., 0., 0.]], dtype=float32)

3. 实战示例

import torch

# 定义函数
def label2onehot(logits, labels):
    label_onehot = torch.zeros_like(torch.tensor(logits))
    label_onehot.scatter_(1, torch.tensor(labels).long().view(-1, 1), 1)
    return label_onehot.numpy()

# 示例数据
logits = [[0.1, 0.2, 0.7], [0.9, 0.05, 0.05]]  # 形状: (2, 3)
labels = [2, 0]  # 形状: (2,)

# 调用函数
onehot_labels = label2onehot(logits, labels)
print("One-hot 编码结果:")
print(onehot_labels)

运行结果：

总结：

1. 该函数将类别标签（labels）转换为 one-hot 编码形式。
2. 使用 scatter_ 函数高效地填充 one-hot 编码。
3. 最终返回的是 numpy 数组，便于与其他库兼容。 

4. 总结

【如果想学习更多深度学习文章，可以订阅一下热门专栏】

• 《Python/PyTorch极简课》_十二月的猫的博客-CSDN博客
• 《深度学习理论直觉三十讲》_十二月的猫的博客-CSDN博客
• 《小白读透AI原理》_十二月的猫的博客-CSDN博客

如果想要学习更多pyTorch/python编程的知识，大家可以点个关注并订阅，持续学习、天天进步你的点赞就是我更新的动力，如果觉得对你有帮助，辛苦友友点个赞，收个藏呀~~~