狗品种分类模型报错AxisError: axis 1超出一维数组边界

问题描述 #

我正在开发一个狗品种分类模型，尝试展示标签及其对应的One-Hot编码标签示例，但运行代码时出现错误提示：

AxisError: axis 1 is out of bounds for array of dimension 1

当前代码如下：

def decode_one_hot(one_hot_encoded, labels):
    # 使用numpy的argmax获取每个编码列表中'1'的索引
    indices = np.argmax(one_hot_encoded, axis=1)

    # 将索引转换回原始标签
    decoded_labels = [labels[index] for index in indices]
    return decoded_labels

print('示例：标签与对应One-Hot编码标签')
train_labels = decode_one_hot(y_train, breeds)
show_images(image_array= X_train, labels=train_labels, encoded_labels=y_train)

我期望实现的效果是：展示若干样本图片，同时显示对应的原始狗品种标签和其One-Hot编码形式。

问题原因与修复方案 #

核心问题 #

报错的根源是y_train并非二维的One-Hot编码数组，而是一维的类别索引数组（例如格式为[0, 5, 3, ...]）。np.argmax(..., axis=1)要求输入数组至少为二维，但一维数组仅存在axis=0，因此触发轴越界错误。

修复方式 #

根据你的实际数据情况选择对应方案：

情况1：y_train本身是一维类别索引

无需解码，直接用索引映射原始标签即可：

# 直接通过一维索引获取原始标签
train_labels = [breeds[index] for index in y_train]

print('示例：标签与对应One-Hot编码标签')
show_images(image_array=X_train, labels=train_labels, encoded_labels=y_train)

情况2：需要先将一维索引转为One-Hot编码再展示

先对y_train做One-Hot编码转换，再执行解码逻辑：

from sklearn.preprocessing import OneHotEncoder
import numpy as np

# 将一维索引转换为二维One-Hot编码数组
encoder = OneHotEncoder(sparse_output=False)
y_train_onehot = encoder.fit_transform(y_train.reshape(-1, 1))

# 保留原解码函数
def decode_one_hot(one_hot_encoded, labels):
    indices = np.argmax(one_hot_encoded, axis=1)
    decoded_labels = [labels[index] for index in indices]
    return decoded_labels

train_labels = decode_one_hot(y_train_onehot, breeds)

print('示例：标签与对应One-Hot编码标签')
show_images(image_array=X_train, labels=train_labels, encoded_labels=y_train_onehot)

验证方法 #

先打印y_train的形状确认数据格式：

print(y_train.shape)
# 输出为(n_samples,) → 一维类别索引；输出为(n_samples, n_classes) → 二维One-Hot数组

内容的提问来源于stack exchange，提问作者Jeremy Jin