【633】图片多分类转 one-hot 编码

　　图片多分类会将不同的数字写在同一副图片上面，例如有3类【0、1、2】，为了输入模型，需要将三个类的结果分别映射到三个通道：

• 0 类：第 0 通道，对于是 0 的像素点设置为 1，其他均为 0
• 1 类：第 1 通道，对于是 1 的像素点设置为 1，其他均为 0
• 2 类：第 2 通道，对于是 2 的像素点设置为 1，其他均为 0

　　假设我们的图片是 4*4 的，通过下面的操作可以实现：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

# 设置图片像素值，通过 numpy.array 表示 >>> png = [[1, 2, 0, 2],            [2, 1, 0, 1],            [0, 1, 2, 0],            [1, 0, 2, 1]] >>> png = np.array(png) >>> png array([[1, 2, 0, 2],        [2, 1, 0, 1],        [0, 1, 2, 0],        [1, 0, 2, 1]])   # 用来表示不同分类对应的 one-hot 编码 # 0 类：对应于 row0, [1, 0, 0] # 1 类：对应于 row1, [0, 1, 0] # 2 类：对应于 row2, [0, 0, 1] >>> np.eye(3) array([[1., 0., 0.],        [0., 1., 0.],        [0., 0., 1.]])   # 通过下面的操作，可以将原始像素值映射为 one-hot # np_arr_1[np_arr_2], 对于 np_arr_2 的每一个值，获取 np_arr_1 对应的 row 来竖着显示 >>> np.eye(3)[png.reshape([-1])] array([[0., 1., 0.],        [0., 0., 1.],        [1., 0., 0.],        [0., 0., 1.],        [0., 0., 1.],        [0., 1., 0.],        [1., 0., 0.],        [0., 1., 0.],        [1., 0., 0.],        [0., 1., 0.],        [0., 0., 1.],        [1., 0., 0.],        [0., 1., 0.],        [1., 0., 0.],        [0., 0., 1.],        [0., 1., 0.]])   # 在转换回 H * W * Channel 的形式，不过这个看起来不直观 >>> np.eye(3)[png.reshape([-1])].reshape((4,4,3)) array([[[0., 1., 0.],         [0., 0., 1.],         [1., 0., 0.],         [0., 0., 1.]],          [[0., 0., 1.],         [0., 1., 0.],         [1., 0., 0.],         [0., 1., 0.]],          [[1., 0., 0.],         [0., 1., 0.],         [0., 0., 1.],         [1., 0., 0.]],          [[0., 1., 0.],         [1., 0., 0.],         [0., 0., 1.],         [0., 1., 0.]]])   # 只显示 channel 1，显示如下： >>> np.eye(3)[png.reshape([-1])].reshape((4,4,3))[:,:,0] array([[0., 0., 1., 0.],        [0., 0., 1., 0.],        [1., 0., 0., 1.],        [0., 1., 0., 0.]])   # channel 2 >>> np.eye(3)[png.reshape([-1])].reshape((4,4,3))[:,:,1] array([[1., 0., 0., 0.],        [0., 1., 0., 1.],        [0., 1., 0., 0.],        [1., 0., 0., 1.]])   # channel 3 >>> np.eye(3)[png.reshape([-1])].reshape((4,4,3))[:,:,2] array([[0., 1., 0., 1.],        [1., 0., 0., 0.],        [0., 0., 1., 0.],        [0., 0., 1., 0.]])   # 对应的分类 >>> png array([[1, 2, 0, 2],        [2, 1, 0, 1],        [0, 1, 2, 0],        [1, 0, 2, 1]])