pytorch将标簽轉為onehot

由于想多分類中使用Diceloss，是以需要将[0,1,2,..N]類型的标簽轉化為onehot類型。

1、在cpu上處理

input資料類型： torch.LongTensor()

        資料形狀：[bs, 1, *]         可為2D或3D資料      

def make_one_hot(input, num_classes):
    """Convert class index tensor to one hot encoding tensor.
    Args:
         input: A tensor of shape [bs, 1, *]
         num_classes: An int of number of class
    Returns:
        A tensor of shape [bs, num_classes, *]
    """
    shape = np.array(input.shape)
    shape[1] = num_classes
    shape = tuple(shape)
    result = torch.zeros(shape)
    result = result.scatter_(1, input.cpu(), 1)

    return result
           

2、在GPU上處理

input資料類型： torch.LongTensor().cuda()

        資料形狀：[bs, 1, *]         可為2D或3D資料 

def make_one_hot(input, num_classes):
    """Convert class index tensor to one hot encoding tensor.
    Args:
         input: A tensor of shape [bs, 1, *]
         num_classes: An int of number of class
    Returns:
        A tensor of shape [bs, num_classes, *]
    """
    shape = np.array(input.shape)
    shape[1] = num_classes
    shape = tuple(shape)
    result = torch.zeros(shape).cuda()
    result = result.scatter_(1, input, 1)

    return result
           

3、最近版pytorch有直接的轉化為onehot的代碼。

具體我自己torch1.7可以直接使用one_hot，不知道是從哪一版開始的

"""
輸入gt尺寸為*，得到one-hot結果尺寸為（*,num_class）
"""
import torch.nn.functional as F
gt_onthot = F.one_hot(gt, num_classes=n)   # n為類别數

           

F.one_hot 函數詳解參看參考手冊

4、溫馨提示

1、FloatTensor轉化為LongTensor：

# 此時的輸入label為FloatTensor，可在cuda，也可是cpu
label_long = label.long()
           

2、 Tensor增加一個次元

label_onehot = label_onehot.unsqueeze(1)   #在第一維增加一個次元
           

3、多分類交叉熵是不需要将标簽轉為onehot的

詳情請檢視  https://blog.csdn.net/longshaonihaoa/article/details/105253553