TensorFlow 官方文档中文版解读之2——tf.sparse_to_dense的用法

原文地址：http://blog.csdn.net/mao_xiao_feng/article/details/53365889

TensorFlow是一个很坑的东西，在没有session运行的时候，所有数据都看不到结果，很难去print

而且TF还没有中文的API手册，很多东西很难体会

在这里记录一下比较难理解的几个方法的用法，以便后面用到

tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None)

除去name参数用以指定该操作的name，与方法有关的一共四个参数 ：

第一个参数sparse_indices：稀疏矩阵中那些个别元素对应的索引值。

     有三种情况：

     sparse_indices是个数，那么它只能指定一维矩阵的某一个元素

     sparse_indices是个向量，那么它可以指定一维矩阵的多个元素


     sparse_indices是个矩阵，那么它可以指定二维矩阵的多个元素


第二个参数output_shape：输出的稀疏矩阵的shape

第三个参数sparse_values：个别元素的值。

     分为两种情况：

     sparse_values是个数：所有索引指定的位置都用这个数

     sparse_values是个向量：输出矩阵的某一行向量里某一行对应的数（所以这里向量的长度应该和输出矩阵的行数对应，不然报错）


第四个参数default_value：未指定元素的默认值，一般如果是稀疏矩阵的话就是0了




举一个例子：

在mnist里面有一个把数字标签转化成onehot标签的操作，所谓onehot标签就是：

如果标签是6那么对应onehot就是[ 0.  0.  0.  0.  0.  0.  1.  0.  0.  0.]

如果标签是1那么对应onehot就是[ 0.  1.  0.  0.  0.  0.  0.  0.  0.  0.]


如果标签是0那么对应onehot就是[ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]


就是把标签变为适用于神经网络输出的形式。

[python]  view plain  copy

1. BATCHSIZE=6  
2. label=tf.expand_dims(tf.constant([0,2,3,6,7,9]),1)  

假设一个batch有6个样本，每个样本的label是0，2，3，6，7，9

[python]  view plain  copy

1. index=tf.expand_dims(tf.range(0, BATCHSIZE),1)  

生成一个index表明一个batch里面每个样本对应的序号

(至于这里为什么要调用tf.expand_dims我在上一篇博客已经解释过了，链接：http://blog.csdn.net/mao_xiao_feng/article/details/53366163)

[python]  view plain  copy

1. concated = tf.concat(1, [index, label])  

最后把他们两个矩阵进行连接，连接以后的矩阵是这样的

[python]  view plain  copy

1. [[0 0]  
2.  [1 2]  
3.  [2 3]  
4.  [3 6]  
5.  [4 7]  
6.  [5 9]]  

[python]  view plain  copy

1. onehot_labels = tf.sparse_to_dense(concated, tf.pack([BATCHSIZE,10]), 1.0, 0.0)  

最后一步，调用tf.sparse_to_dense输出一个onehot标签的矩阵，输出的shape就是行数为BATCHSIZE，列数为10的矩阵，指定元素值为1.0，其余元素值为0.0

程序源码：

[python]  view plain  copy

1. import tensorflow as tf  
2. import numpy  
3.   
4.   
5. BATCHSIZE=6  
6. label=tf.expand_dims(tf.constant([0,2,3,6,7,9]),1)  
7. index=tf.expand_dims(tf.range(0, BATCHSIZE),1)  
8. #use a matrix  
9. concated = tf.concat(1, [index, label])  
10. onehot_labels = tf.sparse_to_dense(concated, tf.pack([BATCHSIZE,10]), 1.0, 0.0)  
11.   
12. #use a vector  
13. concated2=tf.constant([1,3,4])  
14. #onehot_labels2 = tf.sparse_to_dense(concated2, tf.pack([BATCHSIZE,10]), 1.0, 0.0)#cant use ,because output_shape is not a vector  
15. onehot_labels2 = tf.sparse_to_dense(concated2, tf.pack([10]), 1.0, 0.0)#can use  
16.   
17. #use a scalar  
18. concated3=tf.constant(5)  
19. onehot_labels3 = tf.sparse_to_dense(concated3, tf.pack([10]), 1.0, 0.0)  
20.   
21. with tf.Session() as sess:  
22.     result1=sess.run(onehot_labels)  
23.     result2 = sess.run(onehot_labels2)  
24.     result3 = sess.run(onehot_labels3)  
25.     print ("This is result1:")  
26.     print (result1)  
27.     print ("This is result2:")  
28.     print (result2)  
29.     print ("This is result3:")  
30.     print (result3)  

输出结果：

[python]  view plain  copy

 

1. This is result1:  
2. [[ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]  
3.  [ 0.  0.  1.  0.  0.  0.  0.  0.  0.  0.]  
4.  [ 0.  0.  0.  1.  0.  0.  0.  0.  0.  0.]  
5.  [ 0.  0.  0.  0.  0.  0.  1.  0.  0.  0.]  
6.  [ 0.  0.  0.  0.  0.  0.  0.  1.  0.  0.]  
7.  [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  1.]]  
8. This is result2:  
9. [ 0.  1.  0.  1.  1.  0.  0.  0.  0.  0.]  
10. This is result3:  
11. [ 0.  0.  0.  0.  0.  1.  0.  0.  0.  0.]