要实现这个需求，我们可以分两步走：先确定每个Tensor元素对应的分箱编号，再将这些编号转换为独热编码。下面是具体的实现方法和代码示例：

步骤1：定位每个元素的分箱编号 #

我们可以用torch.bucketize函数快速匹配每个元素所属的分箱。这个函数能根据直方图返回的bin_edges边界数组，精准定位元素的分箱位置，完美契合直方图的左闭右开分箱规则（最后一个分箱包含右边界）。

需要注意设置right=True参数，确保等于最后一个边界值（-3.5820）的元素能被分到最后一个分箱，和直方图的统计结果保持一致。

步骤2：将分箱编号转为独热编码 #

拿到分箱索引后，直接用torch.nn.functional.one_hot函数就能把索引转换成独热向量，指定num_classes=5匹配分箱数量，最终就能得到torch.Size([22, 5])的目标Tensor。

完整代码示例 #

import torch

# 原始输入Tensor
original_tensor = torch.tensor([-20.1659, -19.7022, -17.4124, -16.7115, -16.4696, -15.6848, -15.5201, -14.5384, -12.5017, -12.4227, -11.0946, -10.7844, -10.5467, -9.3933, -4.2351, -4.0521, -3.8844, -3.8668, -3.7337, -3.7002, -3.6242, -3.5820])

# 计算直方图并提取分箱边界
hist_result = torch.histogram(original_tensor, 5)
bin_edges = hist_result.bin_edges

# 获取每个元素对应的分箱索引
bin_indices = torch.bucketize(original_tensor, bin_edges, right=True)
# 修正超出范围的索引：当元素等于最后一个边界时，bucketize会返回5，我们需要把它调整为4
bin_indices = torch.clamp(bin_indices, max=4)

# 转换为独热编码，可选.float()转为浮点型
one_hot_tensor = torch.nn.functional.one_hot(bin_indices, num_classes=5).float()

# 验证结果尺寸
print(one_hot_tensor.shape)  # 输出: torch.Size([22, 5])

关键细节解释 #

• torch.bucketize(..., right=True)：启用右闭区间匹配，确保最后一个边界值能被正确归入最后一个分箱。
• torch.clamp：处理边界值的索引溢出问题，避免出现超出分箱数量的无效索引。
• .float()：如果需要浮点类型的独热编码可以添加该转换，默认one_hot返回整型Tensor。

生成的独热编码Tensor中，每一行对应原始Tensor中一个元素的分箱归属，完全匹配直方图的分箱统计结果。

内容的提问来源于stack exchange，提问作者lima0