Pytorchはテンソルを1つのホットに変換します

torch.nn.functional.one_hotを使用できます。
あなたの場合：
a = torch.nn.functional.one_hot（tnsr、num_classes = classes）
out = a.permute（0、3、1、2）
|
Tensor.scatter_を使用することもできます。これは、.permuteを回避しますが、@ Alphaによって提案された単純な方法よりも理解が難しいことは間違いありません。
def batch_tensor_to_onehot（tnsr、classes）：
結果= torch.zeros（tnsr.shape [0]、classes、* tnsr.shape [1：]、dtype = torch.long、device = tnsr.device）
result.scatter_（1、tnsr.unsqueeze（1）、1）
結果を返す
ベンチマーク結果
私は興味があり、3つのアプローチのベンチマークを行うことにしました。バッチサイズ、幅、または高さに関して、提案された方法の間に有意な相対的な違いはないように思われることがわかりました。主にクラスの数が際立った要因でした。もちろん、他のベンチマークと同様に、マイレージは異なる場合があります。
ベンチマークは、ランダムインデックスを使用し、バッチサイズ、高さ、幅= 100を使用して収集されました。各実験は20回繰り返され、平均が報告されました。 num_classes = 100実験は、ウォームアップのプロファイリングの前に1回実行されます。
CPUの結果は、元のメソッドが約30未満のnum_classesにおそらく最適であったのに対し、GPUの場合はscatter_アプローチが最も速いように見えることを示しています。
Ubuntu 18.04、NVIDIA 2060 Super、i7-9700Kで実行されたテスト
ベンチマークに使用されるコードを以下に示します。
トーチをインポート
tqdmからインポートtqdm
インポート時間
matplotlib.pyplotをpltとしてインポートします
def batch_tensor_to_onehot_slavka（tnsr、classes）：
tnsr = tnsr.unsqueeze（1）
res = []
range（classes）内のclの場合：
res.append（（tnsr == cls）.long（））
torch.cat（res、dim = 1）を返す
def batch_tensor_to_onehot_alpha（tnsr、classes）：
結果= torch.nn.functional.one_hot（tnsr、num_classes = classes）
result.permute（0、3、1、2）を返します
def batch_tensor_to_onehot_jodag（tnsr、classes）：
結果= torch.zeros（tnsr.shape [0]、classes、* tnsr.shape [1：]、dtype = torch.long、device = tnsr.device）
result.scatter_（1、tnsr.unsqueeze（1）、1）
結果を返す
def main（）：
num_classes = [2、10、25、50、100]
高さ= 100
幅= 100
bs = [100] * 20
['cpu'、 'cuda']のdの場合：
times_slavka = []
times_alpha = []
times_jodag = []
ウォームアップ= True
tqdm（[num_classes [-1]] + num_classes、ncols = 0）のcの場合：
tslavka = 0
talpha = 0
tjodag = 0
bsのbの場合：
tnsr = torch.randint（c、（b、height、width））。to（device = d）
t0 = time.time（）
y = batch_tensor_to_onehot_slavka（tnsr、c）
torch.cuda.synchronize（）
tslavka + = time.time（）-t0
ウォームアップでない場合：
times_slavka.append（tslavka / len（bs））
bsのbの場合：
tnsr = torch.randint（c、（b、height、width））。to（device = d）
t0 = time.time（）
y = batch_tensor_to_onehot_alpha（tnsr、c）
torch.cuda.synchronize（）
talpha + = time.time（）-t0
ウォームアップでない場合：
times_alpha.append（talpha / len（bs））
bsのbの場合：
tnsr = torch.randint（c、（b、height、width））。to（device = d）
t0 = time.time（）
y = batch_tensor_to_onehot_jodag（tnsr、c）
torch.cuda.synchronize（）
tjodag + = time.time（）-t0
ウォームアップでない場合：
times_jodag.append（tjodag / len（bs））
ウォームアップ= False
fig = plt.figure（）
ax = fig.subplots（）
ax.plot（num_classes、times_slavka、label = 'Slavka-cat'）
ax.plot（num_classes、times_alpha、label = 'Alpha-one_hot'）
ax.plot（num_classes、times_jodag、label = 'jodag-scatter_'）
ax.set_xlabel（ 'num_classes'）
ax.set_ylabel（ 'time（s）'）
ax.set_title（f '{d}ベンチマーク'）
ax.legend（）
plt.savefig（f '{d} .png'）
plt.show（）
if __name__ == "__main __"：
メイン（）
|
あなたの答え
StackExchange.ifUsing（ "editor"、function（）{
StackExchange.using（ "externalEditor"、function（）{
StackExchange.using（ "スニペット"、function（）{
StackExchange.snippets.init（）;
}）;
}）;
}、 "コードスニペット"）;
StackExchange.ready（function（）{
var channelOptions = {
タグ： "" .split（ ""）、
id： "1"
};
initTagRenderer（ ""。split（ ""）、 "" .split（ ""）、channelOptions）;
StackExchange.using（ "externalEditor"、function（）{
//スニペットが有効になっている場合は、スニペットの後にエディターを起動する必要があります
if（StackExchange.settings.snippets.snippetsEnabled）{
StackExchange.using（ "スニペット"、function（）{
createEditor（）;
}）;
}
そうしないと {
createEditor（）;
}
}）;
function createEditor（）{
StackExchange.prepareEditor（{
useStacksEditor：false、
heartbeatType： '回答'、
autoActivateHeartbeat：false、
convertImagesToLinks：true、
noModals：true、
showLowRepImageUploadWarning：true、
レピュテーションToPostImages：10、
bindNavPrevention：true、
後置： ""、
imageUploader：{
brandingHtml： "Powered by \ u003ca href = \" https：//imgur.com/ \ "\ u003e \ u003csvg class = \" svg-icon \ "width = \" 50 \ "height = \" 18 \ "viewBox = \ "0 0 50 18 \" fill = \ "none \" xmlns = \ "http：//www.w3.org/2000/svg \" \ u003e \ u003cpath d = \ "M46.1709 9.17788C46.1709 8.26454 46.2665 7.94324 47.1084 7.58816C47.4091 7.46349 47.7169 7.36433 48.0099 7.26993C48.9099 6.97997 49.672 6.73443 49.672 5.93063C49.672 5.22043 48.9832 4.61182 48.1414 4.61182C47.4335 4.61182 46.7256 4.91628 46.0943 5.50789C45.7 43.1481 6.59048V11.9512C43.1481 13.2535 43.6264 13.8962 44.6595 13.8962C45.6924 13.8962 46.1709 13.253546.1709 11.9512V9.17788Z \ "/ \ u003e \ u003cpath d = \" M32.492 10.1419C32.492 12.6954 34.1182 14.0484 37.0451 14.0484C39.9723 14.0484 41.5985 12.6954 41.5985 10.1419V6.59049C41.5985 5.28821 41.1394 4.66232 40.1061 4.66232C39.0732 38.5948 5.28821 38.5948 6.59049V9.60062C38.5948 10.8521 38.2696 11.5455 37.0451 11.5455C35.8209 11.5455 35.4954 10.8521 35.4954 9.60062V6.59049C35.4954 5.28821 35.0173 4.66232 34.0034 4.66232C32.9703 4.66232 32.492 5.28821 32.492 6.590 fill-rule = \ "evenodd \" clip-rule = \ "evenodd \" d = \ "M25.6622 17.6335C27.8049 17.6335 29.3739 16.9402 30.2537 15.6379C30.8468 14.7755 30.9615 13.5579 30.9615 11.9512V6.59049C30.9615 5.28821 30.4833 4.66231 29.4502 4.66231C28.9913 4.66231 28.4555 4.94978 28.1109 5.50789C27.499 4.86533 26.7335 4.56087 25.7005 4.56087C23.1369 4.56087 21.0134 6.57349 21.0134 9.27932C21.0134 11.9852 23.003 13.913 25.3754 13.913C26.5612 13.913 27.4607 13.490 C28。 1256 12.8854 28.1301 12.9342 28.1301 12.983C28.1301 14.4373 27.2502 15.2321 25.777 15.2321C24.8349 15.2321 24.1352 14.9821 23.5661 14.7787C23.176 14.6393 22.8472 14.5218 22.5437 14.5218C21.7977 14.5218 21.2429 15.0123 21.2429 15.6887C21.2 C24.1317 7.94324 24.9928 7.09766 26.1024 7.09766C27.2119 7.09766 28.0918 7.94324 28.0918 9.27932C28.0918 10.6321 27.2311 11.5116 26.1024 11.5116C24.9737 11.5116 24.1317 10.6491 24.1317 9.27932Z \ "/ \ u003e \ u003cpath d = \" M16.804 8045 13.2535 17.2637 13.8962 18.2965 13.8962C19.3298 13.8962 19.8079 13.2535 19.8079 11.9512V8.12928C19.8079 5.82936 18.4879 4.62866 16.4027 4.62866C15.1594 4.62866 14.279 4.98375 13.3609 5.88013C12.653 5.05154 11.6581 4.62866 10.3573 4。 58314 4.9328 7.10506 4.66232 6.51203 4.66232C5.47873 4.66232 5.00066 5.28821 5.00066 6.59049V11.9512C5.00066 13.2535 5.47873 13.8962 6.51203 13.8962C7.54479 13.8962 8.0232 13 .2535 8.0232 11.9512V8.90741C8.0232 7.58817 8.44431 6.91179 9.53458 6.91179C10.5104 6.91179 10.893 7.58817 10.893 8.94108V11.9512C10.893 13.2535 11.3711 13.8962 12.4044 13.8962C13.4375 13.8962 13.9157 13.2535 13.9157 11.9512V8.90741C13.9 C16.4027 6.91179 16.8045 7.58817 16.8045 8.94108V11.9512Z \ "/ \ u003e \ u003cpath d = \" M3.31675 6.59049C3.31675 5.28821 2.83866 4.66232 1.82471 4.66232C0.791758 4.66232 0.313354 5.28821 0.313354 6.59049V11.9512C0.313354 13.2535 0.7 1.82471 13.8962C2.85798 13.8962 3.31675 13.2535 3.31675 11.9512V6.59049Z \ "/ \ u003e \ u003cpath d = \" M1.87209 0.400291C0.843612 0.400291 0 1.1159 0 1.98861C0 2.87869 0.822846 3.57676 1.87209 3.57676C2.90056 3.57676 3.7234 2.87869 3.7 C3.7234 1.1159 2.90056 0.400291 1.87209 0.400291Z \ "fill = \"＃1BB76E \ "/ \ u003e \ u003c / svg \ u003e \ u003c / a \ u003e"、
contentPolicyHtml： "\ u003ca href = \" https：//stackoverflow.com/help/licensing \ "\ u003ecc by-sa \ u003c / a \ u003e \ u003ca href = \" https：//stackoverflow.comでライセンスされたユーザー投稿/ legal / content-policy \ "\ u003e（コンテンツポリシー）\ u003c / a \ u003e"、
allowUrls：true
}、
オンデマンド：true、
DiscardSelector： ".discard-answer"
、immediatelyShowMarkdownHelp：true、enableTables：true、enableSnippets：true
}）;
}
}）;
Stack Overflowへの回答を提供していただきありがとうございます！
必ず質問に答えてください。詳細を提供し、あなたの研究を共有してください！
しかし避けてください…
助けを求める、説明する、または他の答えに答える。
意見に基づいて発言する。参照または個人的な経験でそれらをバックアップします。
詳細については、優れた回答を書くためのヒントをご覧ください。
ドラフトを保存しました
ドラフトは破棄されました
サインアップまたはログイン
StackExchange.ready（function（）{
StackExchange.helpers.onClickDraftSave（ '＃login-link'）;
}）;
Googleを使用してサインアップ
Facebookを使用してサインアップ
Eメールとパスワードを使用してサインアップ
参加する
ゲストとして投稿
名前
Eメール
必須ですが、表示されません
StackExchange.ready（
関数 （） {
StackExchange.openid.initPostLogin（ '。new-post-login'、 'https％3a％2f％2fstackoverflow.com％2fquestions％2f62245173％2fpytorch-transform-tensor-to-one-hot％23new-answer'、 'question_page' ）;
}
）;
ゲストとして投稿
名前
Eメール
必須ですが、表示されません
あなたの答えを投稿してください
破棄
「PostYourAnswer」をクリックすると、利用規約、プライバシーポリシー、Cookieポリシーに同意したことになります。
あなたが探している答えではありませんか？ python pytorch tensor one-hot-encodingとタグ付けされた他の質問を参照するか、独自の質問をしてください。