Keras np_utils.to_categorical行爲不同

爲什麼Keras to_categorical在[1，-1]和[2，-2]上表現不同？Keras np_utils.to_categorical行爲不同

y = [1, -1, -1] 
y_ = np_utils.to_categorical(y) 
array([[ 0., 1.], 
     [ 0., 1.], 
     [ 0., 1.]]) 


y = [2, -2, -2] 
y_ = np_utils.to_categorical(y) 
array([[ 0., 0., 1.], 
     [ 0., 1., 0.], 
     [ 0., 1., 0.]])

來源

2017-07-20 Liu Yong

它爲什麼會表現相同的方式？ –

我想to_categorical應該將y數據集轉換爲one-hot-vector數據集。 [1]和[-1]應具有不同的編碼值。就像[2] ==> [0,0,1]和[-2] ===> [0,1,0]。 –

to_categorical不取負值，如果你有一個具有負值的數據集，你可以通過y - y.min()到to_categorical因此它可以如你所願：以上

>>> y = numpy.array([2, -2, -2]) 
>>> to_categorical(y) 
array([[ 0., 0., 1.], 
     [ 0., 1., 0.], 
     [ 0., 1., 0.]]) 
>>> to_categorical(y - y.min()) 
array([[ 0., 0., 0., 0., 1.], 
     [ 1., 0., 0., 0., 0.], 
     [ 1., 0., 0., 0., 0.]])

來源

2017-07-20 04:52:34

謝謝，現在我明白了 –

y = np.array(y, dtype='int').ravel() 
if not num_classes: 
    num_classes = np.max(y) + 1 
n = y.shape[0] 
categorical = np.zeros((n, num_classes)) 
categorical[np.arange(n), y] = 1

是執行to_categorical。

因此，在[1，-1，-1]的情況下發生了什麼是：
num_classes = 2 [np.max（）+ 1]
分類形狀變得[3,2]
所以當-1它讀取最後一個索引並將其設置爲1.並且對於1還讀取索引1（索引從0開始）。
這就是爲什麼最終輸出在[2，-2，-2]的情況下發生了什麼是變得

array([[ 0., 1.], 
     [ 0., 1.], 
     [ 0., 1.]])

：
num_classes = 3 [np.max（）+ 1]
分類形狀變得[3,3]
所以當-2到來時，它讀取第二個最後一個索引並使其爲1，對於2它讀取索引2（索引從0開始）。
這就是爲什麼最後的輸出成爲

array([[ 0., 0., 1.], 
     [ 0., 1., 0.], 
     [ 0., 1., 0.]])

所以如果你嘗試類似[2，-4，-4]，它會給你一個錯誤，因爲沒有指數-4作爲分類形狀[3 ，3]。

來源

2017-08-22 13:28:47

Keras np_utils.to_categorical行爲不同

回答

相關問題