TensorFlow實戰：SoftMax手寫體MNIST識別（Python完整源碼）
代碼下載 softmax_mnist
一、One-Hot Encoding
? ? One-Hot編碼，又稱為一位有效編碼，主要是采用N位狀態寄存器來對N個狀態進行編碼，每個狀態都由他獨立的寄存器位，并且在任意時候只有一位有效。
? ? 在實際的機器學習的應用任務中，特征有時候并不總是連續值，有可能是一些分類值，如性別可分為“male”和“female”。在機器學習任務中，對于這樣的特征，通常我們需要對其進行特征數字化，如下面的例子：
有如下三個特征屬性：
性別：["male"，"female"]
地區：["Europe"，"US"，"Asia"]
瀏覽器：["Firefox"，"Chrome"，"Safari"，"Internet Explorer"]
對于某一個樣本，如["male"，"US"，"Internet Explorer"]，我們需要將這個分類值的特征數字化，最直接的方法，我們可以采用序列化的方式：[0,1,3]。但是這樣的特征處理并不能直接放入機器學習算法中。
二、One-Hot Encoding的處理方法
對于上述的問題，性別的屬性是二維的，同理，地區是三維的，瀏覽器則是四維的，這樣，我們可以采用One-Hot編碼的方式對上述的樣本“["male"，"US"，"Internet Explorer"]”編碼，“male”則對應著[1，0]，同理“US”對應著[0，1，0]，“Internet Explorer”對應著[0,0,0,1]。則完整的特征數字化的結果為：[1,0,0,1,0,0,0,0,1]。這樣導致的一個結果就是數據會變得非常的稀疏。
三、實際的Python代碼
from sklearn import preprocessing
enc = preprocessing.OneHotEncoder()
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])
array = enc.transform([[0,1,3]]).toarray()
print array
結果：[[ 1. ?0. ?0. ?1. ?0. ?0. ?0. ?0. ?1.]]
fit中的四個代表四個訓練樣本，表示的是每一維的可能取值，比如“性別”這一維只有兩個值：0和1，那么在四個樣本中第一維是0或者1，其他依次類推
tensorflow 學習筆記（1） MNIST for beginners
TensorFlow 入門之手寫識別(MNIST) softmax算法
