tf.SparseTensor

参考  tf.SparseTensor - 云+社区 - 腾讯云

目录

1、__init__

2、__div__

3、__mul__

4、__truediv__

5、eval()

6、from_value

7、get_shape

---

tf.SparseTensor 函数

SparseTensor 类

定义在：tensorflow/python/framework/sparse_tensor.py.

参见指南：稀疏张量>稀疏张量表示

代表稀疏张量.

TensorFlow表示一个稀疏张量，作为三个独立的稠密张量：indices,values和dense_shape.在Python中，三个张量被集合到一个SparseTensor类中，以方便使用。如果你有单独的indices，values和dense_shape张量,SparseTensor在传递给下面的操作之前，将它们包装在一个对象中。

具体来说，该稀疏张量SparseTensor(indices, values, dense_shape)包括以下组件，其中N和ndims分别是在SparseTensor中的值的数目和维度的数量：

• indices：density_shape[N, ndims]的2-D int64张量，指定稀疏张量中包含非零值(元素为零索引)的元素的索引。例如,indices=[[1,3], [2,4]]指定索引为[1,3]和[2,4]的元素具有非零值。
• values：任何类型和dense_shape [N]的一维张量，它提供了indices中的每个元素的值。例如，给定indices=[[1,3], [2,4]]的参数values=[18, 3.6]指定稀疏张量的元素[1,3]的值为18，张量的元素[2,4]的值为3.6。
• dense_shape：density_shape[ndims]的一个1-D int64张量，指定稀疏张量的dense_shape。获取一个列表，指出每个维度中元素的数量。例如，dense_shape=[3,6]指定二维3x6张量，dense_shape=[2,3,4]指定三维2x3x4张量，并且dense_shape=[9]指定具有9个元素的一维张量。

相应的稠密张量满足：

dense.shape = dense_shape
dense[tuple(indices[i])] = values[i]

按照惯例，indices应该按行优先顺序排列(或者在元组上等效地按字典排序indices[i])。当构造SparseTensor对象时，这不是强制执行的，但大多数操作都假定正确的顺序。如果稀疏张量st的排序是错误的，可以通过调用tf.sparse_reorder(st)来获得一个固定的版本。

例如：稀疏张量表示：

SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4])

表示稠密张量：

[[1, 0, 0, 0]
 [0, 0, 2, 0]
 [0, 0, 0, 0]]

属性

• dense_shape
  int64的一维张量,表示稠密张量的形状.
• dtype
  在这个张量中元素的DType.
• graph
  包含 index,value和dense_shape张量的Graph.
• indices
  表示稠密张量中非零值的指标.
  返回：
  带有dense_shape[N, ndims]的类型为int64的二维张量,其中N是张量中的非零值的数量,并且ndims是秩.
• op
  产生values作为输出的Operation.
• values
  表示稠密张量中的非零值.
  返回：
• 任何数据类型的一维张量.

函数

1、__init__

__init__(
    indices,
    values,
    dense_shape
)

创建一个SparseTensor。

参数：

• indices：一个形状为[N, ndims]的二维int64张量。
• values：任何类型和形状[N]的一维张量。
• dense_shape：形状为[ndims]的1-D int64张量。

返回值：

• 该方法返回一个SparseTensor。

2、__div__

__div__(
    sp_x,
    y
)

Component-wise 用稠密张量除以 SparseTensor。

限制：这个操作只向稀疏的一面播放密集的一面,而不是其他的方向.

参数：

• sp_indices：int64 类型的张量,是2维的；N x R矩阵具有SparseTensor中的非空值索引,可能不符合规范排序.
• sp_values：一个张量；必须是下列类型之一：float32,float64,int64,int32,uint8,uint16,int16,int8,complex64,complex128,qint8,quint8,qint32,half；是一维的.N的非空值对应sp_indices.
• sp_shape：int64 类型的张量,是一维的；输入SparseTensor的形状.
• dense：一个张量,必须与sp_values具有相同的类型；R-D；密集的张量操作数.
• name：操作的名称(可选).

返回值：

• 该方法返回一个与sp_values有相同的类型的张量，它是1维的；运行的N值。

3、__mul__

__mul__(
    sp_x,
    y
)

按Component-wise方式将SparseTensor乘以一个稠密的张量。与稀疏张量中的隐藏零元素相对应的输出位置将是零(即不会占用存储空间),而与密集张量的内容无关(即使它是+/- INF,且INF * 0 == NAN).

限制：这个操作只向稀疏的一面播放密集的一面,而不是其他的方向.

参数：

• sp_indices：int64类型的张量,是2维的,N x R矩阵具有SparseTensor中的非空值索引,可能不符合规范排序.
• sp_values：一个张量；必须是下列类型之一：float32,float64,int64,int32,uint8,uint16,int16,int8,complex64,complex128,qint8,quint8,qint32,half；是一维的；N的非空值对应sp_indices.
• sp_shape：int64类型的张量,是1维的；输入SparseTensor的形状.
• dense：一个张量；必须与sp_values具有相同的类型；R-D；密集的张量操作数.
• name：操作的名称(可选).

返回值：

• 该方法返回一个与sp_values有相同的类型；这个张量是一维的；运行的N值。

4、__truediv__

__truediv__(
    sp_x,
    y
)

内部帮助函数'sp_t / dense_t'.

5、eval()

eval(
    feed_dict=None,
    session=None
)

在一个Session中计算这个稀疏张量.

调用此方法将执行所有前面的操作,这些操作会生成产生此张量的操作所需的输入.

注意：在调用SparseTensor.eval()之前,它的关系图必须已经在Session中启动,并且默认Session必须是可用的,否则session必须明确指定.

参数：

• feed_dict：将Tensor对象映射到Feed值的字典.请参阅tf.Session.run以得到有效的Feed值的说明.
• session:(可选)Session用来计算这个稀疏张量.如果没有,将使用默认Session.

返回值：

• 该方法返回一个SparseTensorValue对象。

6、from_value

@classmethod
from_value(
    cls,
    sparse_tensor_value
)

7、get_shape

get_shape()

得到TensorShape,它表示稠密张量的形状.

返回值：

该方法返回一个TensorShape对象.