《Python深度学习》中整数序列转二进制矩阵代码理解求助

嘿，我来帮你拆解这段IMDB数据预处理的代码，它本质上是做独热编码，把文本对应的整数序列转成神经网络能理解的数值格式～

函数基本说明 #

这段代码是《Python深度学习》里处理IMDB影评数据集的核心预处理函数，先看函数定义：

def vectorize_sequences(sequences, dimension=10000):

• sequences：输入参数，是一个列表，每个元素是一条影评对应的单词索引序列（比如[1, 5, 23, 100]，每个数字代表词汇表中某个单词的位置）
• dimension=10000：默认参数，代表我们只保留词汇表中出现频率最高的10000个单词，这是IMDB数据集的标准预处理设定

第一步：初始化全零矩阵 #

results = np.zeros((len(sequences), dimension))

这里用numpy创建了一个二维全零数组：

• 行数等于输入的影评条数（len(sequences)），每条影评对应一行
• 列数等于词汇表大小10000，每个列对应一个单词
• 初始全为0，因为一开始我们假设每条影评不包含任何单词，后面再把出现过的单词位置改成1

第二步：遍历填充二进制编码 #

for i, sequence in enumerate(sequences):
    results[i, sequence] = 1.  # 将results[i]的特定索引设为1

这部分是核心逻辑：

• enumerate(sequences)：同时拿到每条影评的索引i（对应矩阵的第i行）和这条影评的单词索引序列sequence
• results[i, sequence] = 1.：这是numpy的高级索引技巧——直接把第i行中，所有在sequence里出现过的索引位置的值设为1。比如如果sequence是[3, 18, 200]，那就是把第i行的第3、18、200列设为1，意思是这条影评包含这三个索引对应的单词。

这么做的原因？ #

深度学习模型没法直接处理整数序列，必须把数据转换成数值矩阵。这种独热编码的方式能让模型快速识别每条影评包含哪些单词（忽略单词出现的顺序，这是早期文本分类模型的常用思路），是喂入神经网络前的必要步骤。

内容的提问来源于stack exchange，提问作者Stavros Niafas