四、One-hot和损失函数的应用

---

前言

今天闲来无事，因为学习人工智能的道路上遇到了很多问题，纠结从那个问题开始解决？但是不要紧，我已经有答案了。所以，我决定总结一下最近学习知识要点，以缓解紧张的学习气氛。哈哈哈~~,来吧，进入正题。

/font>

---

提示：讲一下数据预处理之One-Hot。以下是本篇文章正文内容，下面案例可供参考

一、One-hot是什么？

示例：对于这个问题，之前谷歌了一下，还涉及寄存器了（one-hot编码是N位状态寄存器为N个状态进行编码的方式）。。真的无语。这里不说那些很底层的，我们只需要了解one-hot编码是将类别变量转换为机器学习算法中容易处理的一种形式！
概念太抽象了，对太抽了，那么从实际例子来说明。
如下我们有两个特征：

我们看到有两个特证名为：animal与food，解释一下两列值意思，第一列代表的是动物的名字，第二列是食物的个数，比如第一行cat 2 描述为猫吃了两个食物，这里是测试数据，主要是想通过，这些数据给予直观的认识及实际操作。
而对上述数据做one-hot编码后得结果为：

animal列数据类型是字符串，而第二列是数值型，如果我们能将这些特征值用0/1表示，是不是在机器学习中，对这些非连续值非常有帮助。综上，我们推论出，如果你在处理的数据中，通过特征工程这一步操作，能够将特征的类型判别出来，哪些是连续的，哪些是非连续的，那么我们就可以对它进行特殊处理，比如此处的one-hot编码！

二、应用场景

在模型训练中，常常会根据损失函数的大小作为训练效果的好坏。通常会使用:

1. 平均绝对误差(MAEloss)，
2. 均方误差(MSEloss)，需要做one-hot以及加入softmax输出函数。
3. 二分类交叉熵(BCELoss),需要做one-hot以及加入softmax输出函数。
4. 二分类交叉熵（BCEWithLogitsLoss，对输入值自动做sigmoid，但需要做one-hot。
5. 多分类交叉熵(CrossEntropyLoss),自动对输入数据做one-hot和softmax。

三、One-hot创建方法(3种)

1.for 循环生成

代码如下（示例）：

 def one_hot(w,h,arr):
     zero_arr = np.zeros([w,h])#w行，h列
     for i in range(w):
         j = int(arr[i])
         zero_arr[i][j]=1
     return zero_arr
 arr = np.array([5, 2, 8, 6])
 one_hot(len(arr),max(arr)+1,arr)

2.arange遍历方法

该方法前提是：arr = np.array([5, 2, 8, 6])是这样的类型，即数组类型。
代码如下（示例）：

#法1
arr = np.array([5, 2, 8, 6])
zero_arr = torch.zeros(len(arr),max(arr)+1)
zero_arr[torch.arange(len(arr)),arr]=1   #arange非常类似range函数
#或者一步到位
#法2
torch.zeros(len(arr), max(arr) + 1)[torch.arange(len(arr)),arr]=1

# 一级标题

3.scatter_方法

该方法前提是：arr = torch.tensor([5, 2, 8, 6])是这样的类型，即张量(tensor)类型。
代码如下（示例）：

arr = torch.tensor([5, 2, 8, 6])
    torch_out =torch.zeros(len(arr),max(arr)+1).scatter_(1,arr.reshape(-1,1),1)
'''scatter_(input, dim, index, src)可以理解成放置元素或者修改元素
dim：沿着哪个维度进行索引. 一般为1或-1
index：用来 scatter 的元素索引
src：用什么内容来修改交换，可以是一个标量或一个张量'''
'''reshape(-1,1)转换成1列：
reshape(1,-1)转化成1行：for
reshape(2,-1)转换成两行：
reshape(-1,2)转化成两列''';

四、总结

提示：这里对文章进行总结：
1.多分类交叉熵CrossEntropyLoss()，不需要做ong-hot，自动做onehot和softmax。
2.均方差MSELoss，需要做onehot和输出函数。
3.二分类交叉熵BCELoss()，需要做onehot和输出函数。
4.二分类交叉熵BCEWithLogitsLoss，onehot，但不用做输出函数。