HardLabelVoteOneHot函数：基于硬标签投票生成One-Hot编码张量

HardLabelVoteOneHot函数：基于硬标签投票生成One-Hot编码张量

该函数用于对多个客户端的硬标签进行投票，并将其转化为one-hot形式的张量返回。

函数定义：

def HardLabelVoteOneHot(all_client_hard_label, class_cat):
    client_cnt = len(all_client_hard_label)
    sample_cnt = len(all_client_hard_label[0])
    pred_labels = []
    all_vote_tensor = []
    label_votes_none_cnt = 0
    for i in range(sample_cnt):
        label_votes = [0] * class_cat
        for j in range(client_cnt):
            cur_client_cur_sample_hard_label = all_client_hard_label[j][i]
            pred_label = cur_client_cur_sample_hard_label
            if pred_label != class_cat:
                label_votes[pred_label] += 1
        if (len(label_votes) == 0):
            label_votes_none_cnt += 1
        max_vote_nums = max(label_votes)
        max_vote_idx = label_votes.index(max_vote_nums)
        pred_labels.append(max_vote_idx)
    all_one_hot_tensor = []
    for i in range(len(pred_labels)):
        cur_label = [0.0] * class_cat
        cur_label[pred_labels[i]] = 1.0
        all_one_hot_tensor.append(cur_label)
    all_vote_tensor = torch.tensor(all_one_hot_tensor)
    print('len of pred = {}'.format(len(pred_labels)))
    print()
    return all_vote_tensor

参数说明：

• all_client_hard_label: 包含所有客户端硬标签的列表，每个元素是一个客户端的硬标签列表。
• class_cat: 类别数量。

函数执行步骤：

1. 获取客户端数量和样本数量。
2. 初始化预测标签列表 pred_labels 和投票张量 all_vote_tensor。
3. 遍历每个样本，统计每个类别的投票数。
4. 如果某个样本的所有类别都没有投票，则将 label_votes_none_cnt 加1。
5. 找到投票数最多的类别，并将其作为预测标签添加到 pred_labels 中。
6. 根据 pred_labels 生成所有样本的one-hot形式的张量 all_one_hot_tensor。
7. 将 all_one_hot_tensor 转化为 torch.tensor 类型的 all_vote_tensor。
8. 打印预测标签的长度。
9. 返回 all_vote_tensor。

函数返回值：

一个one-hot形式的张量，表示所有样本的预测结果。

应用场景：

该函数可用于将多个客户端的硬标签整合为一个统一的预测结果，并以one-hot形式方便后续模型使用。例如，在联邦学习中，可以使用该函数将不同客户端训练得到的模型预测结果进行整合，从而获得更准确的整体预测结果。