谁能帮忙解释一下axis在TensorFlow的one_hot函数中是什么？
axis：要填充的轴（默认值：-1，新的最内层轴）
最近我在SO was an explanation 上找到了与Pandas 相关的答案：
不确定上下文是否同样适用。
【问题讨论】：
标签： python-3.x tensorflow machine-learning multidimensional-array one-hot-encoding
这是一个例子：
x = tf.constant([0, 1, 2])
... 是输入张量和N=4（每个索引都转换为4D向量）。
axis=-1计算 one_hot_1 = tf.one_hot(x, 4).eval() 会产生一个 (3, 4) 张量：
[[ 1. 0. 0. 0.]
[ 0. 1. 0. 0.]
[ 0. 0. 1. 0.]]
... 最后一个维度是单热编码的（清晰可见）。这对应于默认的axis=-1，即最后一个。
axis=0现在，计算 one_hot_2 = tf.one_hot(x, 4, axis=0).eval() 会产生一个 (4, 3) 张量，它不能立即识别为 one-hot 编码：
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]
[ 0. 0. 0.]]
这是因为 one-hot 编码是沿 0 轴完成的，必须转置矩阵才能看到之前的编码。当输入的维度更高时，情况会变得更加复杂，但想法是一样的：不同之处在于用于 one-hot 编码的 额外 维度的位置。
【讨论】：
x = tf.constant([[1, 1, 2], [0, 1, 2]]) 会产生一个4D 向量？...是不是它是一个由二维数组作为元素的数组？
x 是(2, 3)。编码结果是 4D，因为我们设置了N=4（想想类的数量）。这就是结果为(2, 3, 4) 或(4, 3, 2) 的原因，具体取决于展示位置。
x = tf.constant([0, 1, 2]) 的区别：结果是(3, 4) 或(4, 3)
对我来说，轴转换为“你在哪里添加额外的数字来增加维度”。至少我是这样解释它并作为助记符的。
例如，您有 [1,2,3,0,2,1]，它的形状为 (1,6)。这意味着它是一个一维数组。 one_hot 在原始数组的每个位置添加零并将位置转换为 1，为此，原始数组必须比原始数组多 1 个维度，并且轴告诉函数在哪里添加它，这个新维度将识别示例。
0 1 2 3 <- class
[[ 0. 1. 0. 0.] <- example 0
[ 0. 0. 1. 0.] <- example 1
[ 0. 0. 0. 1.] <- example 2
[ 1. 0. 0. 0.] <- example 3
[ 0. 0. 1. 0.] <- example 4
[ 0. 1. 0. 0.]] <- example 5
0 1 2 3 4 5 <- example
[[ 0. 0. 0. 1. 0. 0.] <- class 0
[ 1. 0. 0. 0. 0. 1.] <- class 1
[ 0. 1. 0. 0. 1. 0.] <- class 2
[ 0. 0. 1. 0. 0. 0.]] <- class 3
【讨论】：
对我来说，我是这样理解的—— （注意documentation中提到的索引只是类标签的信息，它可以是标量或向量或矩阵） 如果您的索引只是一个标量，则不需要轴。 但是，如果它是一个向量，您可以选择特征和类的方向2` 这里单热向量的图像有一行作为深度（类）和一列作为相应的特征（标签），因此对于这种情况，轴的值为 0。 同样，如果您想要特征 x 深度，则轴的值为 -1。
同样，如果索引是矩阵，那么您可以选择以下方向
（batch 表示索引中的行）3
batch x features x depth if axis == -1
batch x depth x features if axis == 1
depth x batch x features if axis == 0
【讨论】：