Python 批次的一次热编码将是不完整的tensorflow

正如你所知，tf.one_hot可以进行one hot编码。然而，当我的数据集非常大时，我需要进行批量训练。这样，当我使用for循环在所有批次上循环时，在每次迭代中，当我执行tf.one_hot时，一个hot矩阵的维数将比我预期的小

例如，对于“a”列，我们有47个类别，但在一个批次中，它们可能只显示20个，当我在这个批次上执行一个任务时，它将创建一个维度为行*20的矩阵，而不是行*47的矩阵

如何获得每批中一个热矩阵的行数*47的维数

谢谢大家!

第二个参数是depth，它决定了一个热向量的长度。如果您这样运行操作：

b = tf.one_hot( a, 47 )

最后一个维度应该是47

没有代码很难说，但有些人不会硬编码一个热尺寸，而是尝试从标签张量中获取它，比如

max_class = tf.reduce_max( a )
b = tf.one_hot( a, max_class )

如果在代码中是这样的话，那么可能一批只升到了类20

否则需要看你的代码才能说点什么

---

如果TensorFlow内存不足，它将因错误而停止，而不会悄悄地删除一半的数据：

谢谢！在我发布这个问题后，我也注意到了这一点。但似乎类别标签应该从0开始，并且是连续的，对吗？比如，如果我的类别是1,5,6,8,10，当我将其设置为5时，如果批次仅包含6,8,5，会发生什么情况，这可能会导致不匹配，对吗？如果您的批次是正确随机的，那么它会到处都是，这是很好的做法！：如果按顺序从类0到类47，可能是它们是连续的，但这将产生不符合标准的网络。随机化为王我不完全明白。。。你是说如果我把深度设为5。批处理中的数据仍然会给出这样的矩阵[[0,0,1,0,0,0]，[0,0,0,1,0]，[0,1,0,0,0]]？其中子列表中的第一个元素到第五个元素表示1,5,6,8,10。如果将深度设置为5，则一个热向量的长度将始终为5。设置为47，它将始终为47。但是要小心，一个热的是数值固定的，如果你有例如10类，你必须有至少10的深度，否则你会得到一个错误。哦，我现在明白了。非常感谢。