NumPy - 从2D numpy数组创建1-hot tensor

Question

我有一个numpy 2D数组，其值介于0到59之间。

对于那些熟悉DL，特别是图像分割的人 - 我从.png图像创建数组（称之为L），每个像素的值L [x，y]表示该像素所属的类（在60班）。

我想创建一个1热的张量 - Lhot，其中（Lhot [x，y，z] == 1）仅在（L [x，y] == z）时，否则为0。

我想用某种广播/索引（1,2行）创建它 - 没有循环。

它应该在功能上等于这段代码（Dtype对应于L）：

Lhot = np.zeros((L.shape[0], L.shape[1], 60), dtype=Dtype)
for i in range(L.shape[0]):
    for j in range(L.shape[1]):
        Lhot[i,j,L[i,j]] = 1

有人有想法吗？ 谢谢！

Answer 1

使用纯粹的numpy更快更清洁的方式

Lhot = np.transpose(np.eye(60)[L], (1,2,0))

你会遇到多维一热的问题是它们变得非常庞大且非常稀疏，并且没有好办法处理numpy / scipy （或者我认为是sklearn或许多其他ML包）中的2D以上的稀疏数组。 你真的需要一个热门吗？

Answer 2

由于为1D向量定义了典型的单热编码，所以您只需将矩阵展平，使用scikit-learn中的一个热编码器（或任何其他具有单热编码的库）并重新整形。

from sklearn.preprocessing import OneHotEncoder
n, m = L.shape
k = 60
Lhot = np.array(OneHotEncoder(n_values=k).fit_transform(L.reshape(-1,1)).todense()).reshape(n, m, k)

当然你也可以手工完成

n, m = L.shape
k = 60
Lhot = np.zeros((n*m, k)) # empty, flat array
Lhot[np.arange(n*m), L.flatten()] = 1 # one-hot encoding for 1D
Lhot = Lhot.reshape(n, m, k) # reshaping back to 3D tensor