onehot编码在深度学习领域有着举足轻重的作用。无论是分类问题(classification)还是序列模型中对输入量的编码，都有它的身影。下面就用几种方法实现onehot encoding。

先定义一个y向量

y = np.array([3, 2, 4, 1, 5, 0])	# 定义一个y向量

最简朴的办法

one_hot_1 = np.zeros((max(y)+1, y.shape[0]))	# onehot encoder
for i in range(y.shape[0]):
    one_hot_1[y[i]][i] = 1
print(one_hot_1)

程序的运行结果如下：

其中矩阵的每一列代表一个训练样本对y的编码结果，下面实验的结果相同。

利用np.eye(K)[array]

one_hot_2 = np.eye(y.shape[0])[y.reshape(-1)].T
print(one_hot_2)

每次抓一行

I = np.eye(max(y)+1)
one_hot_3 = np.zeros((y.shape[0], max(y)+1))
for i in range(y.shape[0]):
    one_hot_3[i] = I[y[i]]
one_hot_3 = one_hot_3.T
print(one_hot_3)

TensorFlow中内置的one_hot encoder

indices = [0,2,3,5]
depth1 = 6   # indices没有元素超过(depth-1)
depth2 = 4   # indices有元素超过(depth-1)
a = tf.one_hot(indices,depth1)
b = tf.one_hot(indices,depth2)

with tf.Session() as sess:
    print('a = \n',sess.run(a))
    print('b = \n',sess.run(b))

随着输入量的空间不断变大，onehot这种稀疏的编码方式逐渐变得十分鸡肋，因此诞生了词向量方式(WordEmbedding)来克服稀疏存储上的表示问题。