tf.one_hot要求输入indices为非负整数且严格在[0, depth)内，需显式转int32、加断言检查、动态计算depth、确保1D输入、移除冗余维度，并优先使用sparse损失避免手动one-hot。
tf.one_hot 用不对？先看输入张量的 shape 是否合法
直接调用 tf.one_hot 报 InvalidArgumentError: indices[0] = -1 is not in [0, 3) 或类似越界错误，大概率是传入的 indices 里有负数、小数，或值 ≥ depth。它只接受整型（int32 或 int64）且范围严格在 [0, depth) 内的张量。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
tf.cast显式转成整型：tf.cast(indices, tf.int32)，别依赖自动推断 - 检查数据：加一句
tf.debugging.assert_non_negative(indices)和tf.debugging.assert_less(indices, depth)，训练前快速暴露问题 - 若原始标签含 -1（比如未标注样本），必须先处理——填 0 再设
on_value/off_value区分，或用tf.where屏蔽掉这些行
depth 设多少？别硬写数字，从数据里动态算
写死 depth=10 看似省事，但一旦类别数变化（比如换数据集、加新类），模型会静默出错：输出维度对不上，loss 计算错位，还不报 shape error。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 训练前用
tf.reduce_max(labels) + 1得到真实最大 depth（前提是 labels 从 0 开始连续编号） - 更稳妥：用
tf.unique获取全部唯一类别，再取tf.size(unique_labels)，尤其适合非连续编号（如类别 ID 是 [2, 5, 9]） - 如果用
tf.data.Dataset流水线，把 depth 计算放在dataset.map()外，避免每次 map 都重复算
one-hot 后维度爆炸？小心 batch 维度被吞掉
tf.one_hot 默认在最后新增一维，比如输入 shape 是 (32,)（batch=32 的 label），输出是 (32, depth)；但若输入是 (32, 1)，输出变成 (32, 1, depth)，后面接 Dense 层就会报 ValueError: Input 0 of layer dense is incompatible with layer。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 确保 label 张量是 1D：用
tf.squeeze(labels, axis=-1)去掉多余的 singleton 维度 - 或者显式指定
axis参数：比如想让 one-hot 插在倒数第二维（保持 batch 在最前），写tf.one_hot(..., axis=1) - 调试时打印 shape：
print("labels shape:", tf.shape(labels))和print("onehot shape:", tf.shape(onehot))，比猜快得多
训练慢？tf.one_hot 本身不慢，但别在 eager 模式下反复调用
在 @tf.function 外、循环里直接调 tf.one_hot，会导致图无法静态构建，每次执行都重编译，GPU 利用率暴跌。这不是函数本身问题，是执行上下文错了。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 所有预处理逻辑（包括 one-hot）尽量塞进
@tf.function装饰的函数里，让 TensorFlow 编译成图 - 如果 label 是 NumPy 数组或 Python list，先用
tf.constant转成 tensor，再进tf.one_hot；别在 tf.function 里混用 numpy 操作 - 真要动态 depth（比如每个 batch 不同），用
tf.vectorized_map替代 for 循环，但代价高——优先考虑提前统 depth
真正容易被忽略的是：one-hot 结果默认是 float32，如果你后续只做索引（比如 tf.gather_nd），其实可以设 dtype=tf.int32 省显存；但绝大多数 loss（如 tf.keras.losses.sparse_categorical_crossentropy）根本不需要手动 one-hot —— 直接喂原始 label 更快更稳。
