在 TensorFlow 中，函数 'tf.one_hot' 中的参数 'axis' 是什么
In TensorFlow, what is the argument 'axis' in the function 'tf.one_hot'
谁能帮忙解释一下 TensorFlow 的 one_hot 函数中的 axis 是什么？
根据 documentation:
axis: The axis to fill (default: -1, a new inner-most axis)
最近我在 SO was an explanation relevant to Pandas 上找到答案：
不确定上下文是否同样适用。
这是一个例子：
x = tf.constant([0, 1, 2])
... 是输入张量，N=4（每个索引被转换为 4D 向量）。
axis=-1
计算 one_hot_1 = tf.one_hot(x, 4).eval() 产生一个 (3, 4) 张量：
[[ 1. 0. 0. 0.]
[ 0. 1. 0. 0.]
[ 0. 0. 1. 0.]]
...最后一个维度是单热编码的（清晰可见）。这对应于默认的 axis=-1，即 last。
axis=0
现在，计算 one_hot_2 = tf.one_hot(x, 4, axis=0).eval() 会产生一个 (4, 3) 张量，它不能立即识别为单热编码：
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]
[ 0. 0. 0.]]
这是因为单热编码是沿着0轴完成的，必须转置矩阵才能看到之前的编码。当输入的维度更高时，情况变得更加复杂，但想法是相同的：区别在于用于单热编码的 extra 维度的放置。
对我来说，轴翻译为“你在哪里添加额外的数字来增加维度”。至少我是这样解释它并作为助记符的。
例如你有 [1,2,3,0,2,1] 并且这是形状 (1,6)。这意味着它是一个一维数组。 one_hot 在原始数组的每个位置添加零并将位置转换为 1，为此，原始数组的维度必须比原始数组多 1，轴告诉函数将其添加到何处，这个新维度将识别示例。
轴=1
您添加第二个维度并保留第一个维度。这将导致 (6,4) 数组。因此，对于生成的数组，您使用第一个维度 (0) 来了解您看到的示例，使用第二个维度（1，新的）来了解 class 是否处于活动状态。 newArr[0][1]=1 表示示例 0，class 1，在这种情况下表示示例 0 是 class 1。
0 1 2 3 <- class
[[ 0. 1. 0. 0.] <- example 0
[ 0. 0. 1. 0.] <- example 1
[ 0. 0. 0. 1.] <- example 2
[ 1. 0. 0. 0.] <- example 3
[ 0. 0. 1. 0.] <- example 4
[ 0. 1. 0. 0.]] <- example 5
轴=0
您添加第一个维度，现有维度被移动。这将产生一个 (4,6) 数组。因此，对于生成的数组，您使用第一个维度（0，新维度）来了解 class 是否处于活动状态，并使用第二个维度 (1) 来了解您看到的示例。 newArr[0][1]=0 表示 class 0，示例 1，在这种情况下表示示例 1 不是 class 0。
0 1 2 3 4 5 <- example
[[ 0. 0. 0. 1. 0. 0.] <- class 0
[ 1. 0. 0. 0. 0. 1.] <- class 1
[ 0. 1. 0. 0. 1. 0.] <- class 2
[ 0. 0. 1. 0. 0. 0.]] <- class 3
对我来说，我是这样理解的——
（注意documentation中的indices只是classes的标签信息，可以是标量也可以是向量也可以是矩阵）
如果您的索引只是标量，则不需要轴。
但是，如果它是一个向量，您可以选择特征的方向和 classes 2`
在这里，one-hot 向量的图像有一行作为深度（class），一列作为相应的特征（标签），所以对于这种情况，轴的值为 0。
同样，如果您想要特征 x 深度，则轴的值为 -1。
同样，如果索引是矩阵，则您可以选择以下方向
（批次表示索引中的行）3
batch x features x depth if axis == -1
batch x depth x features if axis == 1
depth x batch x features if axis == 0
谁能帮忙解释一下 TensorFlow 的 one_hot 函数中的 axis 是什么？
根据 documentation:
axis: The axis to fill (default: -1, a new inner-most axis)
最近我在 SO was an explanation relevant to Pandas 上找到答案：
不确定上下文是否同样适用。
这是一个例子：
x = tf.constant([0, 1, 2])
... 是输入张量，N=4（每个索引被转换为 4D 向量）。
axis=-1
计算 one_hot_1 = tf.one_hot(x, 4).eval() 产生一个 (3, 4) 张量：
[[ 1. 0. 0. 0.]
[ 0. 1. 0. 0.]
[ 0. 0. 1. 0.]]
...最后一个维度是单热编码的（清晰可见）。这对应于默认的 axis=-1，即 last。
axis=0
现在，计算 one_hot_2 = tf.one_hot(x, 4, axis=0).eval() 会产生一个 (4, 3) 张量，它不能立即识别为单热编码：
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]
[ 0. 0. 0.]]
这是因为单热编码是沿着0轴完成的，必须转置矩阵才能看到之前的编码。当输入的维度更高时，情况变得更加复杂，但想法是相同的：区别在于用于单热编码的 extra 维度的放置。
对我来说，轴翻译为“你在哪里添加额外的数字来增加维度”。至少我是这样解释它并作为助记符的。
例如你有 [1,2,3,0,2,1] 并且这是形状 (1,6)。这意味着它是一个一维数组。 one_hot 在原始数组的每个位置添加零并将位置转换为 1，为此，原始数组的维度必须比原始数组多 1，轴告诉函数将其添加到何处，这个新维度将识别示例。
轴=1
您添加第二个维度并保留第一个维度。这将导致 (6,4) 数组。因此，对于生成的数组，您使用第一个维度 (0) 来了解您看到的示例，使用第二个维度（1，新的）来了解 class 是否处于活动状态。 newArr[0][1]=1 表示示例 0，class 1，在这种情况下表示示例 0 是 class 1。 0 1 2 3 <- class
[[ 0. 1. 0. 0.] <- example 0
[ 0. 0. 1. 0.] <- example 1
[ 0. 0. 0. 1.] <- example 2
[ 1. 0. 0. 0.] <- example 3
[ 0. 0. 1. 0.] <- example 4
[ 0. 1. 0. 0.]] <- example 5
轴=0
您添加第一个维度，现有维度被移动。这将产生一个 (4,6) 数组。因此，对于生成的数组，您使用第一个维度（0，新维度）来了解 class 是否处于活动状态，并使用第二个维度 (1) 来了解您看到的示例。 newArr[0][1]=0 表示 class 0，示例 1，在这种情况下表示示例 1 不是 class 0。 0 1 2 3 4 5 <- example
[[ 0. 0. 0. 1. 0. 0.] <- class 0
[ 1. 0. 0. 0. 0. 1.] <- class 1
[ 0. 1. 0. 0. 1. 0.] <- class 2
[ 0. 0. 1. 0. 0. 0.]] <- class 3
对我来说，我是这样理解的—— （注意documentation中的indices只是classes的标签信息，可以是标量也可以是向量也可以是矩阵） 如果您的索引只是标量，则不需要轴。 但是，如果它是一个向量，您可以选择特征的方向和 classes 2` 在这里，one-hot 向量的图像有一行作为深度（class），一列作为相应的特征（标签），所以对于这种情况，轴的值为 0。 同样，如果您想要特征 x 深度，则轴的值为 -1。
同样，如果索引是矩阵，则您可以选择以下方向
（批次表示索引中的行）3
batch x features x depth if axis == -1
batch x depth x features if axis == 1
depth x batch x features if axis == 0