1. 首先解释one_hot encoding(独热编码)
one_hot encoding可作为机器学习中对离散型特征的一种处理手段，一般用于处理监督学习中分类问题样本的标注数据。例如有三类特征{label1，label2，label3}，需要三个bit位实现编码，bit位为1的位置对应原来的特征值，即上述特征对应的编码为{100, 010, 001}。
2.tf.one_hot( label_batch, class_num )
tf.one_hot( ) 函数原型为：
one_hot(indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None)indices: 代表了on_value所在的索引，其他位置值为off_value。类型为tensor，其尺寸与depth共同决定输出tensor的尺寸。
depth：编码深度。
on_value & off_value为编码开闭值，缺省分别为1和0，indices指定的索引处为on_value值；
axis：编码的轴，分情况可取-1、0或-1、0、1，默认为-1
dtype：默认为 on_value 或 off_value的类型，若未提供on_value或off_value，则默认为tf.float32类型。
返回一个 one-hot tensor。
2. 应用
(1) indices是一个标量， 输出是一个长度为‘depth’的向量；
(2) indices是一个长度为features的向量，输出尺寸为：(a) 当axis==-1，features*depth (b) 当axis==0，depth*features
(3) indices是一个尺寸为[batch，features]的矩阵，输出尺寸为：
(a) 当axis==-1，batch*features*depth (b)当axis==1，batch*depth*features (c)当axis==0，depth*batch*features
第(2)种情况举例：
```python indices = [0, 2, -1, 1] depth = 3 on_value = 5.0 off_value = 0.0 axis = -1
```
输出尺寸为4*3， ```python output = [5.0 0.0 0.0] // one_hot(0) [0.0 0.0 5.0] // one_hot(2) [0.0 0.0 0.0] // one_hot(-1) [0.0 5.0 0.0] // one_hot(1)
```
第(3)种情况举例：
```python indices = [[0, 2], [1, -1]] depth = 3 on_value = 1.0 off_value = 0.0 axis = -1
```
输出尺寸为：2*2*3，结果：```python output = [ [1.0, 0.0, 0.0] // one_hot(0) [0.0, 0.0, 1.0] // one_hot(2) ][ [0.0, 1.0, 0.0] // one_hot(1) [0.0, 0.0, 0.0] // one_hot(-1) ]
```
3. 分类代码中标注数据的处理：
onehot_label_batch = tf.one_hot(label_batch, class_num)
对标签（label）数据使用one-hot vectors，label n(数字)表示成只有第n维度数字为1的class_num维向量，n为0,1...class_num-1。若有5类，class_num = 5, 标签0表示为[1, 0, 0, 0, 0]，标签1表示为[0, 1, 0, 0, 0]，以此类推。
