keras.utils.to_categorical和one hot格式解析
keras.utils.to_categorical这个方法，源码中，它是这样写的：
Converts a class vector (integers) to binary class matrix.
E.g. for use with categorical_crossentropy.
也就是说它是对于一个类型的容器（整型）的转化为二元类型矩阵。比如用来计算多类别交叉熵来使用的。
其参数也很简单：
def to_categorical(y, num_classes=None):
Arguments
y: class vector to be converted into a matrix
(integers from 0 to num_classes).
num_classes: total number of classes.
说的很明白了，y就是待转换容器（其类型为从0到类型数目），而num_classes则是类型的总数。
这样这一句就比较容易理解了：
先通过np生成一个1000*1维的其值为0-9的矩阵，然后再通过keras.utils.to_categorical方法获取成一个1000*10维的二元矩阵。
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
说了这么多，其实就是使用onehot对类型标签进行编码。下面的也都是这样解释。
one hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。
通过例子可能更容易理解这个概念。
假设我们有一个迷你数据集：
公司名 类别值 价格
VW 1 20000
Acura 2 10011
Honda 3 50000
Honda 3 10000
其中，类别值是分配给数据集中条目的数值编号。比如，如果我们在数据集中新加入一个公司，那么我们会给这家公司一个新类别值4。当独特的条目增加时，类别值将成比例增加。
在上面的表格中，类别值从1开始，更符合日常生活中的习惯。实际项目中，类别值从0开始（因为大多数计算机系统计数），所以，如果有N个类别，类别值为0至N-1.
sklear的LabelEncoder可以帮我们完成这一类别值分配工作。
现在让我们继续讨论one hot编码，将以上数据集one hot编码后，我们得到的表示如下：
VW Acura Honda 价格
1 0 0 20000
0 1 0 10011
0 0 1 50000
0 0 1 10000
简单来说：**keras.utils.to_categorical函数是把类别标签转换为onehot编码（categorical就是类别标签的意思，表示现实世界中你分类的各类别），
而onehot编码是一种方便计算机处理的二元编码。**
补充知识：序列预处理：序列填充之pad_sequences()和one-hot转化之keras.utils.to_categorical（）
tensorflow文本处理中，经常会将 padding 和 one-hot 操作共同出现，所以以下两种方法为有效且常用的方法：
一、keras.preprocessing.sequence.pad_sequences（）
实例：
>>>list_1 = [[2,3,4]]
>>>keras.preprocessing.sequence.pad_sequences(list_1, maxlen=10)
array([[0, 0, 0, 0, 0, 0, 0, 2, 3, 4]], dtype=int32)
>>>list_2 = [[1,2,3,4,5]]
>>>keras.preprocessing.sequence.pad_sequences(list_2, maxlen=10)
array([[0, 0, 0, 0, 0, 1, 2, 3, 4, 5]], dtype=int32)
二、keras.utils.to_categorical（）
to_categorical(y, num_classes=None, dtype='float32')
将整型标签转为onehot。y为int数组，num_classes为标签类别总数，大于max(y)（标签从0开始的）。
返回：如果num_classes=None，返回len(y) * [max(y)+1]（维度，m*n表示m行n列矩阵，下同），否则为len(y) * num_classes。说出来显得复杂，请看下面实例。
import keras
ohl=keras.utils.to_categorical([1,3])
# ohl=keras.utils.to_categorical([[1],[3]])
print(ohl)
"""
[[0. 1. 0. 0.]
[0. 0. 0. 1.]]
"""
ohl=keras.utils.to_categorical([1,3],num_classes=5)
print(ohl)
"""
[[0. 1. 0. 0. 0.]
[0. 0. 0. 1. 0.]]
"""
以上这篇keras.utils.to_categorical和one hot格式解析就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。
您可能感兴趣的文章:Keras中的多分类损失函数用法categorical_crossentropy使用Keras画神经网络准确性图教程使用Keras构造简单的CNN网络实例keras实现多种分类网络的方式
