一共10个类别，如何根据训练集的样本标签划分成10个矩阵，其中样本标签是均为one-hot向量

假设训练集的样本标签存储在一个形状为 (N, 10) 的二维数组 label 中，其中 N 是样本数，10 是类别数，则可以按照以下步骤将训练集划分成 10 个矩阵：

1. 创建一个空字典 dict，用于存储 10 个类别对应的样本索引列表。
2. 遍历训练集中的所有样本，将每个样本的索引加入到对应类别的样本索引列表中。具体实现可以使用 for 循环和 if 语句，例如：

for i in range(N):
    c = np.argmax(label[i])  # 取出样本的类别索引
    if c not in dict:
        dict[c] = [i]  # 如果该类别还没有对应的列表，则创建一个新列表
    else:
        dict[c].append(i)  # 将该样本的索引加入到对应类别的列表中

其中，`np.argmax(label[i])` 取出样本标签中值为 1 的位置，即该样本的类别索引。

3. 对于每个类别，根据样本索引列表从训练集中提取对应的样本，并存储在一个形状为 (n, m) 的二维数组中，其中 n 是该类别的样本数，m 是每个样本的特征数。具体实现可以使用列表推导式和 numpy 库，例如：

import numpy as np

matrices = [np.array([features[i] for i in dict[c]]) for c in range(10)]

其中，`features` 是一个形状为 (N, m) 的训练集特征矩阵，`dict[c]` 表示类别 c 对应的样本索引列表，`[features[i] for i in dict[c]]` 表示从特征矩阵中提取对应样本的特征，`np.array` 将这些特征转换为一个二维数组。最终，`matrices` 中存储了 10 个形状为 (n, m) 的矩阵，分别对应 10 个类别的训练样本。