【发布时间】：2020-04-14 08:54:46
【问题描述】：
我正在尝试使用机器学习进行语义分割，我设法找到了一种方法来获得正确的热编码（使用这个：https://www.jeremyjordan.me/semantic-segmentation/）但是我获得的代码非常糟糕，我确信 numpy具有可以提供更优雅解决方案的功能。
想法如下：从标签数组 (88,240,240) 创建一个新数组 (88,240,240,3)，并在每个通道中使用适当的值。
我想出了这个：
def data_reshape(train_image_list, train_label_list, img_size):
temp = np.empty(shape=[train_label_list.shape[0], img_size[1], img_size[0], 3])
temp[:,:,:,0] = train_label_list
temp[temp[:,:,:,0] > 0] = 2
temp[temp[:,:,:,0] == 0] = 1
temp[temp[:,:,:,0] == 2] = 0
temp[:,:,:,1] = train_label_list
temp[temp[:,:,:,1] == 2] = 0
temp[:,:,:,2] = train_label_list
temp[temp[:,:,:,2] < 2] = 0
temp[temp[:,:,:,2] == 2] = 1
train_image_list = np.reshape(train_image_list, newshape=[-1, img_size[1], img_size[0], 1])
train_label_list = np.reshape(temp, newshape=[-1, img_size[1], img_size[0], 3])
return train_image_list, train_label_list
编辑：
它实际上并没有按应有的方式运行
我将重新制定：
我有一个 numpy 数组：(88,240,240)，其中包含 88 个图像中每个图像上 3 个不同标签的信息（0 表示 label_0 的像素，1 表示 label_1 的像素，2 表示 label_2 的像素）。
我想从我的函数中拿出一个 numpy 数组，其中包含另外 3 个通道，每个通道包含不同的信息：
- (88,240,240,0) 的 label_0 像素的值为 1（其余为 0）
- (88,240,240,1) 的 label_1 像素的值为 1（其余为 0）
- (88,240,240,2) 的 label_2 像素的值为 1（其余为 0）
有人有建议吗？
亲切的问候，
Unic0
【问题讨论】：
-
是否运行并产生正确的结果？我没有看到任何需要删除的循环。
temp = train_label_list[...,None].repeat(3, -1)简化了temp的启动。temp是否需要最后的reshape？ -
是的，它运行并产生正确的结果。最后的重塑是将 'train_label_list 放入正确的形状，它可能确实不需要。但是你知道我是否可以做些什么来改进大量的 temp[:,:,:]... temp[:,:,:] 一遍又一遍。
-
如果您提供一些人工输入（例如低亮度数组）会有所帮助，这样我们就可以运行代码并测试任何替代方案。
标签： python arrays numpy machine-learning one-hot-encoding