當前位置：首頁 > 编程语言 > python >内容正文

python

Tensorflow Python API 翻译（sparse_ops）

發布時間：2025/3/8 python 12 豆豆

生活随笔收集整理的這篇文章主要介紹了 Tensorflow Python API 翻译（sparse_ops）小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

作者：chen_h
微信號 & QQ：862251340
微信公眾號：coderpai
我的博客：請點擊這里

計劃現將 tensorflow 中的 Python API 做一個學習，這樣方便以后的學習。
原文鏈接

該章介紹有關稀疏張量的API

稀疏張量表示

對于多維稀疏數據，TensorFlow提供了稀疏張量表示。稀疏張量里面的值都是采用IndexedSlices索引來表示，這樣能更加高效的表示數據。

class tf.SparseTensor

解釋：這個函數的作用是表示一個稀疏張量。

Tensorflow使用三個密集張量：indices，values，dense_shape，來表示一個稀疏張量。在Python接口中，這三個張量被整合到一個SparseTensor類中，如果你調換了這三個密集張量的位置，那么在進行操作之前，SparseTensor類會自動調換三個張量的位置。

具體的說，稀疏張量表示為SparseTensor(values, indices, dense_shape):

indices: 一個二維的張量，數據類型是int64，數據維度是[N, ndims]。
values: 一個一維的張量，數據類型是任意的，數據維度是[N]。
dense_shape: 一個一維的張量，數據類型是int64，數據維度是[ndims]。

其中，N表示稀疏張量中存在N個值，ndims表示SparseTensor的維度。

相應的密集張量滿足：

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

按照慣例，indices中的索引應該按照從小到大的順序排序。SparseTensor中三個密集張量的順序不是強制的，你可以亂序，SparseTensor會自動將它排序。

比如：

SparseTensor(values=[1, 2], indices=[[0, 0], [1, 2]], shape=[3, 4])復制代碼

那么密集張量就是：

[[1, 0, 0, 0][0, 0, 2, 0][0, 0, 0, 0]]復制代碼

tf.SparseTensor.__init__(indices, values, shape)

解釋：這個函數的作用是構建一個SparseTensor。

輸入參數：

indices: 一個二維的張量，數據類型是int64，數據維度是[N, ndims]。
values: 一個一維的張量，數據類型是任意的，數據維度是[N]。
dense_shape: 一個一維的張量，數據類型是int64，數據維度是[ndims]。

輸出參數：
* 一個稀疏張量SparseTensor。

tf.SparseTensor.indices

解釋：這個函數的作用是取出密集矩陣中非零值得索引。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices=[[4, 1], [1, 2]], values=[1, 2], shape=[3, 4]) b = a.indices sess = tf.Session() print sess.run(a) print sess.run(b) sess.close()復制代碼

輸出參數：
* 一個二維的張量，數據類型是int64，數據維度是[N, ndims]。其中，N表示在稀疏張量中非零值的個數，ndims表示稀疏張量的秩。

tf.SparseTensor.values

解釋：這個函數的作用是取出密集矩陣中非零值。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices=[[4, 1], [1, 2]], values=[1, 2], shape=[3, 4]) b = a.values sess = tf.Session() print sess.run(a) print sess.run(b) sess.close()復制代碼

輸出參數：
* 一個一維的張量，數據類型是任意的。

tf.SparseTensor.dtype

解釋：這個函數的作用是返回張量中元素的類型。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices=[[4, 1], [1, 2]], values=tf.constant([1, 2]), shape=[3, 4]) b = a.dtype sess = tf.Session() print b sess.close()復制代碼

輸出參數：

返回張量中元素的類型。

tf.SparseTensor.shape

解釋：這個函數的作用是返回稀疏張量的維度。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices=[[4, 1], [1, 2]], values=tf.constant([1, 2]), shape=[3, 4]) b = a.shape sess = tf.Session() print sess.run(b) sess.close()復制代碼

輸出參數：

返回稀疏張量的維度。

tf.SparseTensor.graph

解釋：這個函數的作用是返回包含該稀疏張量的圖。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices=[[4, 1], [1, 2]], values=tf.constant([1, 2]), shape=[3, 4]) b = a.graph sess = tf.Session() print b sess.close()復制代碼

輸出參數：

返回包含該稀疏張量的圖。

class tf.SparseTensorValue

解釋：這個函數的作用是查看設置稀疏張量的值。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensorValue(indices=[[4, 1], [1, 2]], values=tf.constant([1, 2]), shape=[3, 4]) sess = tf.Session() print a print a[0] print a[1] print a[2] sess.close()復制代碼

tf.SparseTensorValue.indices

解釋：這個函數的作用是返回稀疏張量中值的存在位置。

使用例子：

輸出參數：

返回稀疏張量中值的存在位置。

tf.SparseTensorValue.shape

解釋：這個函數的作用是返回稀疏張量的維度。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensorValue(values=tf.constant([1, 2]), indices=[[4, 1], [1, 2]], shape=[3, 4]) sess = tf.Session() print a.shape sess.close()復制代碼

輸出參數：

返回稀疏張量的維度。

tf.SparseTensorValue.shape

解釋：這個函數的作用是返回稀疏張量中的元素。

使用例子：

輸出參數：

返回稀疏張量中的元素。

稀疏張量與密集張量的轉換

TensorFlow提供了稀疏張量與密集張量之間的轉換操作。

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

解釋：這個函數的作用是將一個稀疏表示轉換成一個密集張量。具體將稀疏張量sparse轉換成密集張量dense如下：

# If sparse_indices is scalar dense[i] = (i == sparse_indices ? sparse_values : default_value)# If sparse_indices is a vector, then for each i dense[sparse_indices[i]] = sparse_values[i]# If sparse_indices is an n by d matrix, then for each i in [0, n) dense[sparse_indices[i][0], ..., sparse_indices[i][d-1]] = sparse_values[i]復制代碼

默認情況下，dense中的填充值default_value都是0，除非該值被設置成一個標量。

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.sparse_to_dense(sparse_indices = [[1,2],[2,1]], output_shape = [3,3], sparse_values = [2,3], default_value = 1) sess = tf.Session() print sess.run(a) sess.close()復制代碼

輸入參數：

sparse_indices: 一個Tensor，數據類型必須是int32或者int64。數據維度0維，一維或者二維都可以，或者更加高緯度的sparse_indices[i]。
output_shape: 一個Tensor，數據類型必須和sparse_indices相同。數據維度是一維，表示輸出密集張量的維度。
sparse_values: 一個Tensor，數據維度是一維，其中的每一個元素對應sparse_indices中坐標的值。
default_value: 一個Tensor，數據類型必須和sparse_values相同，數據維度是一個標量。設置稀疏索引不指定的值。
name: （可選）為這個操作取一個名字。

輸出參數：

一個Tensor，數據類型和sparse_values相同。密集張量的數據維度是output_shape。

tf.sparse_tensor_to_dense(sp_input, default_value, name=None)

解釋：這個函數的作用是將一個稀疏張量SparseTensor轉換成一個密集張量。

這個操作是一個便利的將稀疏張量轉換成密集張量的方法。

比如，sp_input的數據維度是[3, 5]，非空值為：

[0, 1]: a [0, 3]: b [2, 0]: c復制代碼

default_value值為x，那么輸出的密集張量的維度是[3, 5]，具體的展示形式如下：

[[x a x b x][x x x x x][c x x x x]]復制代碼

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices = [[0, 1], [0, 3], [2, 0]], values=[1,2,3], shape=[3, 5]) b = tf.sparse_tensor_to_dense(a, default_value = 11) sess = tf.Session() print sess.run(b) sess.close()復制代碼

輸入參數：

sp_input: 一個SparseTensor。
default_value: 數據維度是一個標量，設置稀疏索引不指定的值。
name: （可選）設置返回張量名稱的前綴。

輸出參數：

一個密集張量，數據維度是sp_input.shape，密集張量里面的值為sp_input中指定的值，沒有索引的值為default_value值。

異常：

類型錯誤: 如果sp_input不是一個SparseTensor，將報錯。

tf.sparse_to_indicator(sp_input, vocab_size, name=None)

解釋：這個函數的作用是將稀疏張量SparseTensor的坐標轉換成密集張量中的布爾坐標。

sp_input中的最后一維被丟棄，并且用sp_input在該位的值來代替，如果sp_input.shape = [D0, D1, D2, ..., Dn, K]，其中K是最后一維，那么output.shape = [D0, D1, D2, ..., Dn, vocab_size]，其中：

output[d_0, d_1, ..., d_n, sp_input[d_0, d_1, ..., d_n, k]] = True復制代碼

output中其余值為False。

比如，sp_input.shape = [2, 3, 4]，非空值如下：

[0, 0, 0]: 0 [0, 1, 0]: 10 [1, 0, 3]: 103 [1, 1, 2]: 112 [1, 1, 3]: 113 [1, 2, 1]: 121復制代碼

并且vocab_size = 200，那么輸出output.shape = [2, 3, 200]，并且output中的值都是False，除了以下位置：

(0, 0, 0), (0, 1, 10), (1, 0, 103), (1, 1, 112), (1, 1, 113), (1, 2, 121).復制代碼

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices = [[0, 1], [0, 3], [2, 0]], values=[1,2,3], shape=[3, 5]) b = tf.sparse_to_indicator(a, 10) sess = tf.Session() print sess.run(b) sess.close()復制代碼

輸入參數：

sp_input: 一個SparseTensor，數據類型是int32或者int64。
vocab_size: sp_Input最后一維的新的維度，并且0 <= sp_input.shape > vocab_size。
name: （可選）設置返回張量名稱的前綴。

輸出參數：

一個經過修改的密集布爾張量。

異常：

類型錯誤: 如果sp_input不是一個SparseTensor，將報錯。

稀疏張量的操作

TensorFlow提供了一些對于稀疏張量的操作函數。

tf.sparse_concat(concat_dim, sp_inputs, name=None)

解釋：這個函數的作用是將一系列的SparseTensor，按照指定的維度進行合并。

具體合并思路是，先將稀疏張量看成是一個密集張量，然后按照指定的維度進行張量合并，最后將合并成的密集張量看成是一個稀疏張量。

輸入的數據中，SparseTensor的數據維度必須是相同的，并且indices，values和shapes的長度必須相同。

輸出數據的維度將由輸入數據的維度決定，除了需要合并的那一維度，這一維度是所有數據該維度的相加總和。

輸出張量中的元素將會被重新保存在稀疏張量中，并且按照原來的順序進行排序。

這個操作的時間復雜度是O(M log M)，其中，M是輸入數據中所有非空元素的個數總和。

比如，當concat_dim = 1時：

sp_inputs[0]: shape = [2, 3] [0, 2]: "a" [1, 0]: "b" [1, 1]: "c"sp_inputs[1]: shape = [2, 4] [0, 1]: "d" [0, 2]: "e"復制代碼

那么輸出數據為：

shape = [2, 7] [0, 2]: "a" [0, 4]: "d" [0, 5]: "e" [1, 0]: "b" [1, 1]: "c"復制代碼

用圖形表示，如下：

[ a] concat [ d e ] = [ a d e ] [b c ] [ ] [b c ]復制代碼

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices = [[0, 1], [0, 3], [2, 0]], values=[1,2,3], shape=[3, 5]) aa = tf.SparseTensor(indices = [[1, 1], [1, 3], [2, 1]], values=[11,12,13], shape=[3, 5]) b = tf.sparse_concat(0, [a, aa]) sess = tf.Session() print sess.run(b) print sess.run(tf.sparse_tensor_to_dense(b)) sess.close()復制代碼

輸入參數：

concat_dim: 需要合并的維度。
sp_inputs: 一個需要合并的SparseTensor列表。
name: （可選）設置返回張量名稱的前綴。

輸出參數：

一個經過合并的SparseTensor。

異常：

類型錯誤: 如果sp_inputs不是一個SparseTensor列表。

tf.sparse_reorder(sp_input, name=None)

解釋：這個函數的作用是將SparseTensor中的元素進行重新排列，按照索引從小到大進行排序。

重排列不會影響SparseTensor的維度。

比如，如果sp_input的維度是[4, 5]，indices / values如下：

[0, 3]: b [0, 1]: a [3, 1]: d [2, 0]: c復制代碼

那么輸出的SparseTensor的維度還是[4, 5] ，indices / values如下：

[0, 1]: a [0, 3]: b [2, 0]: c [3, 1]: d復制代碼

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices = [[2, 1], [0, 3], [2, 0]], values=[1,2,3], shape=[3, 5]) b = tf.sparse_reorder(a) sess = tf.Session() print sess.run(b) sess.close()復制代碼

輸入參數：

sp_input: 一個SparseTensor。
name: （可選）設置返回張量名稱的前綴。

輸出參數：

一個SparseTensor，數據維度和數據類型都不變，只有其中的值進行了有序的排序。

異常：

類型錯誤: 如果sp_input不是一個SparseTensor。

tf.sparse_retain(sp_input, to_retain, name=None)

解釋：這個函數的作用是保留SparseTensor中指定的非空元素。

比如，如果sp_input的數據維度是[4, 5]，并且擁有4個非空值如下：

[0, 1]: a [0, 3]: b [2, 0]: c [3, 1]: d復制代碼

而且to_retain = [True, False, False, True]，那么最后輸出數據SparseTensor的數據維度是[4, 5]，并且保留兩個非空值如下：

[0, 1]: a [3, 1]: d復制代碼

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices = [[2, 1], [0, 3], [2, 0]], values=[1,2,3], shape=[3, 5]) b = tf.sparse_retain(a, [False, False, True]) sess = tf.Session() print sess.run(b) sess.close()復制代碼

輸入參數：

sp_input: 一個SparseTensor，包含N個非空元素。
to_retain: 一個布爾類型的向量，向量長度是N，并且其中包含M個True值。

輸出參數：

一個SparseTensor，數據維度和輸入數據相同，其中包含M個非空值，該值的位置根據True的位置來決定。

異常：

類型錯誤: 如果sp_input不是一個SparseTensor。

tf.sparse_fill_empty_rows(sp_input, default_value, name=None)

解釋：這個函數的作用是將二維的SparseTensor中，將空的行中填充指定元素的值。

如果一行中不存在元素，那么就將改行的坐標[row, 0]填上default_value。

比如，我們假設sp_input的數據維度是[5, 6]，并且非空值如下：

[0, 1]: a [0, 3]: b [2, 0]: c [3, 1]: d復制代碼

因為在稀疏張量中，第一行和第四行中不存在值，那么我們需要在[1, 0]和[4, 0]坐標填上default_value，如下：

[0, 1]: a [0, 3]: b [1, 0]: default_value [2, 0]: c [3, 1]: d [4, 0]: default_value復制代碼

請注意，輸入可能有空列在最后，但對這個操作沒有任何影響。

輸出的SparseTensor將是一個按照從小到大的順序進行排序，并且輸出數據和輸入數據擁有相同的數據維度。

這個操作還會返回一個布爾向量，其中的布爾值，如果是True值，那么表示該行添加了一個default_value，計算公式如下：

empty_row_indicator[i] = True iff row i was an empty row.復制代碼

使用例子：

#!/usr/bin/env python # -*- coding: utf-8 -*-import tensorflow as tf import numpy as npa = tf.SparseTensor(indices = [[2, 1], [0, 3], [2, 0]], values=[1,2,3], shape=[6, 5]) b, bb = tf.sparse_fill_empty_rows(a, 10) sess = tf.Session() print sess.run(b) print '----' print sess.run(bb) sess.close()復制代碼

輸入參數：

sp_input: 一個SparseTensor，數據維度是[N, M]。
default_value: 需要向空行填充的值，數據類型和sp_input相同。
name: （可選）設置返回張量名稱的前綴。

輸出參數：

sp_ordered_output: 一個SparseTensor，數據維度是[N, M]，并且其中所有空行填充了default_value。
empty_row_indicator: 一個布爾類型的向量，數據長度是N，如果該行填充了default_value，那么該位置的布爾值為True。

異常：

類型錯誤: 如果sp_input不是一個SparseTensor。

CoderPai 是一個專注于算法實戰的平臺，從基礎的算法到人工智能算法都有設計。如果你對算法實戰感興趣，請快快關注我們吧。加入AI實戰微信群，AI實戰QQ群，ACM算法微信群，ACM算法QQ群。詳情請關注 “CoderPai” 微信號（coderpai）。

總結

以上是生活随笔為你收集整理的Tensorflow Python API 翻译（sparse_ops）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：【Spark】开发Spark选择Java
下一篇：把控站外seo效果的几个操作点