對(duì)于多維的稀疏數(shù)據(jù)，TensorFlow 支持 SparseTensor 表示。
官方文檔地址：https://tensorflow.google.cn/api_guides/python/sparse_ops
構(gòu)造稀疏張量
SparseTensor(indices, values, dense_shape)
indices是一個(gè)維度為(n, ndims)的2-D int64張量，指定非零元素的位置。比如indices=[[1,3], [2,4]]表示[1,3]和[2,4]位置的元素為非零元素。n表示非零元素的個(gè)數(shù)，ndims表示構(gòu)造的稀疏張量的維數(shù)。
values是一個(gè)維度為(N)的1-D張量，對(duì)應(yīng)indices所指位置的元素值。
dense_shape是一個(gè)維度為(ndims)的1-D張量，代表稀疏張量的維度。
|
1
2
3
4
5
|
tf.SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4])>>[[1, 0, 0, 0] [0, 0, 2, 0] [0, 0, 0, 0]] |
轉(zhuǎn)換
將稀疏張量轉(zhuǎn)為普通矩陣。
|
1
2
3
4
5
6
7
8
|
tf.sparse_to_dense(sparse_indices,output_shape,sparse_values,default_value=0,validate_indices=True,name=None) |
sparse_indices是那些非零元素的位置。
sparse_indices是實(shí)數(shù)，該矩陣為一維矩陣，指定一維矩陣的某一個(gè)元素位置
sparse_indices是向量，該矩陣為一維矩陣，指定一維矩陣的多個(gè)元素
sparse_indices是二維矩陣，該矩陣為多維矩陣，指定多維矩陣的多個(gè)元素。
output_shape是矩陣的維度。
sparse_value是對(duì)應(yīng)sparse_indices所指位置的元素值。
default_value是未指定元素的默認(rèn)值，一般為0。
|
1
2
3
4
5
6
7
8
9
|
import tensorflow as tf mysparse_indices = tf.constant(5)mymatrix = tf.sparse_to_dense(mysparse_indices, [11], 10)with tf.Session() as sess: result = sess.run(mymatrix) print(result)//[0 0 0 0 0 10 0 0 0 0 0] |
SparseTensor和SparseTensorValue
兩者的參數(shù)相同。
在計(jì)算圖中定義稀疏張量時(shí)，使用SparseTensor；在feed數(shù)據(jù)時(shí)使用SparseTensorValue。
補(bǔ)充知識(shí)：徹底搞懂tensorflow里的張量(tensor)
1.引言
學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的時(shí)候，最重要的就是搞清楚網(wǎng)絡(luò)各層的神經(jīng)元輸入輸出的數(shù)據(jù)結(jié)構(gòu)(即張量)。如果僅用線性代數(shù)所學(xué)的矩陣，向量來(lái)理解張量，一定會(huì)搞得一頭霧水。因此很有必要搞清楚張量是什么東西。
首先明確：張量最主要的兩個(gè)參數(shù)： rank（階，或維數(shù)）、shape（形狀）
2.什么是張量
下圖是張量的直觀的示意：張量是標(biāo)量、向量、矩陣的集合和推廣。
3.什么是rank
| rank | 數(shù)學(xué)實(shí)例 | Python 例子 |
|---|---|---|
| 0 | 純數(shù)字（只有大小） | s=352 |
| 1 | 向量（1個(gè)基本向量） | v = [1.1, 2.2, 3.3] |
| 2 | 矩陣(兩個(gè)基本向量) | m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] |
| 3 | 數(shù)據(jù)立體（3個(gè)基本向量） | t = [ [[2], [4], [6]] , [[8], [10], [12]] , [[14], [16], [18]] ] |
| n | n個(gè)基本向量 | … |
可以發(fā)現(xiàn)：可以數(shù)括號(hào)[ ]的層數(shù)來(lái)確定張量的維數(shù)(階)
什么是基本向量
基本向量(basis vector)：幾個(gè)basis vector就是從幾個(gè)方面來(lái)描述一組數(shù)據(jù)。
舉例說(shuō)明：
一維張量：概念和向量完全一樣。圖中的白線就是一個(gè)向量，當(dāng)然了，在三維空間向量有三個(gè)分向量（分別是x方向、y方向、z方向）
二維張量：對(duì)下面這個(gè)長(zhǎng)方形施加一個(gè)力，怎么來(lái)描述？
我們把可以把這個(gè)長(zhǎng)方形就xoy、xoz、yoz三個(gè)平面截下來(lái)，之后在每一個(gè)平面上再分析受力情況。
兩個(gè)basis vector出來(lái)了：一個(gè)用來(lái)描述截面方向（這是一個(gè)三維向量）；另一個(gè)用來(lái)描述此截面的受力情況（當(dāng)然這也是一個(gè)三維向量）
那么我們可以用作用在yoz平面（此平面的法向量是x軸單位向量），受力的x軸分量用Pxx來(lái)表示，以此推廣到含有9個(gè)元素的矩陣，這就是一個(gè)2維張量。
換句話來(lái)解釋：在一個(gè)三維空間，我們從2個(gè)基本向量來(lái)描述一個(gè)東西，那么這個(gè)張量所含有的元素個(gè)數(shù)應(yīng)該是3的2次方等于9個(gè)。每個(gè)元素能得到2個(gè)基本向量的注釋。這就是一個(gè)2維的張量
三維張量：
繼續(xù)推廣，每個(gè)元素有三個(gè)基本向量注釋。三維的張量形狀就像是疊起來(lái)的矩陣。
最后品一品這句話
4.什么是shape
shape指明每一層有多少個(gè)元素。
比如[2,3,4]是指第一層2個(gè)元素，第二層3個(gè)元素，第三層4個(gè)元素，通過(guò)這個(gè)我們就可以知道這個(gè)張量一共有2 × 3 × 4=24 個(gè)元素。而且它有3層，因此可以知道這個(gè)張量的rank=3
注意：讀取元素，從外括號(hào)往內(nèi)括號(hào)讀
下面這個(gè)代碼也能說(shuō)明問(wèn)題。
|
1
2
3
4
5
|
import tensorflow as tf# 定義了一個(gè)張量，有6個(gè)元素，設(shè)置他的形狀是[2.3]a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2,3])with tf.Session() as session: print(session.run(a)) |
打印的結(jié)果是
[[1 2 3] [4 5 6]]
以上這篇淺談TensorFlow之稀疏張量表示就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持服務(wù)器之家。
原文鏈接：https://blog.csdn.net/shelly1072/article/details/82704094
