1、导入需要的库
from keras.utils.np_utils import to_categorical
from sklearn import preprocessing

2、当使用keras默认参数时（num_classes=None）
x = [1, 2, 3]
y= to_categorical(x)

发现把x分为了4个类别，0、1、2、3

3、当使用keras自定义参数时（num_classes=num）
x = [1, 2, 3]
y= to_categorical(x, num_classes=5)

发现把x分为了5个类别，0、1、2、3、4

4、当使用skearn时
lb = preprocessing.LabelBinarizer()
x = [1, 2, 3]
y = lb.fit_transform(x)

发现把x分为了3个类别，0、1、2

换一个x：
lb = preprocessing.LabelBinarizer()
x = [1, 2, 3]
y = lb.fit_transform(x)

发现还是把x分为了3个类别，0、1、2

5、总结
1、无参数定义时，keras会把原始类别数字中最大的+1当做独热码处理后类别数
2、有参数定义时，keras会把num_classes当做独热码处理后类别数
3、sklearn则完全不同，它是把原始类别数字不同的个数当做独热码处理后类别数
4、对于连续数据类别可以使用keras（类别数字必须从0开始，条件有些苛刻），也可使用sklearn（无要求）
5、对于离散数据类别建议使用sklearn
6、本人在日常使用中发现sklearn更好用，如果误用keras可能会出错