Я думаю, что это то, что вы хотите:
import tensorflow as tf
def one_hot_any(a):
# Save original shape
s = tf.shape(a)
# Find unique values
values, idx = tf.unique(tf.reshape(a, [-1]))
# One-hot encoding
n = tf.size(values)
a_1h_flat = tf.one_hot(idx, n)
# Reshape to original shape
a_1h = tf.reshape(a_1h_flat, tf.concat([s, [n]], axis=0))
return a_1h, values
# Test
x = tf.constant([['a', 'b'], ['a', 'd'], ['c', 'd'], ['b', 'd']])
x_1h, x_vals = one_hot_any(x)
with tf.Session() as sess:
print(*sess.run([x_1h, x_vals]), sep='\n')
Вывод:
[[[1. 0. 0. 0.]
[0. 1. 0. 0.]]
[[1. 0. 0. 0.]
[0. 0. 1. 0.]]
[[0. 0. 0. 1.]
[0. 0. 1. 0.]]
[[0. 1. 0. 0.]
[0. 0. 1. 0.]]]
[b'a' b'b' b'd' b'c']
Проблема, однако, заключается в том, что разные входы будут давать несогласованные выходы с разными порядками значений илидаже разную глубину, поэтому я не уверен, что это действительно полезно.