稀疏张量与它们自身或密集张量的相乘似乎在TensorFlow中不起作用.以下示例
from __future__ import print_function
import tensorflow as tf
x = tf.constant([[1.0,2.0],
[3.0,4.0]])
y = tf.SparseTensor(indices=[[0,0],[1,1]], values=[1.0,1.0], shape=[2,2])
z = tf.matmul(x,y)
sess = tf.Session()
sess.run(tf.initialize_all_variables())
print(sess.run([x, y, z]))
失败并显示错误消息
TypeError: Input 'b' of 'MatMul' Op has type string that does not match type
float32 of argument 'a'
两个张量都具有float32类型的值,通过在没有乘法运算的情况下对它们进行求值来看.y与其自身的乘法返回类似的错误消息.x与其自身的乘法运行良好.
tf.SparseTensor目前尚未在TensorFlow中实现通用乘法.但是,有三种部分解决方案,选择正确的解决方案取决于数据的特征:
如果你有a tf.SparseTensor和a tf.Tensor,你可以tf.sparse_tensor_dense_matmul()用来乘以它们.如果其中一个张量过大而无法在内存中加密,则这比下一个方法更有效:文档对如何在这两种方法之间做出决定提供了更多指导.请注意,它接受a tf.SparseTensor作为第一个参数,因此要解决您的确切问题,您需要使用adjoint_a和adjoint_b参数,并转置结果.
如果你有两个稀疏张量并且需要将它们相乘,那么最简单的(如果不是最高性能)方法是将它们转换为密集并使用tf.matmul:
a = tf.SparseTensor(...)
b = tf.SparseTensor(...)
c = tf.matmul(tf.sparse_tensor_to_dense(a, 0.0),
tf.sparse_tensor_to_dense(b, 0.0),
a_is_sparse=True, b_is_sparse=True)
请注意,optional a_is_sparse和b_is_sparsearguments表示" a(或b)具有密集表示但其大量条目为零",这会触发使用不同的乘法算法.
对于通过(可能是大的和分片的)密集矩阵乘法的稀疏矢量的特殊情况,并且矢量中的值是0或1,tf.nn.embedding_lookup运算符可能更合适.本教程讨论何时可以使用嵌入以及如何更详细地调用运算符.
对于稀疏矩阵的特殊情况(可能是大的和分片的)密集矩阵,tf.nn.embedding_lookup_sparse()可能是合适的.此函数接受一个或两个tf.SparseTensor对象,sp_ids表示非零值,可选sp_weights表示其值(否则默认为1).
最近,tf.sparse_tensor_dense_matmul(...)添加了允许将稀疏矩阵乘以密集矩阵.
https://www.tensorflow.org/versions/r0.9/api_docs/python/sparse_ops.html#sparse_tensor_dense_matmul
https://github.com/tensorflow/tensorflow/issues/1241
京公网安备 11010802040832号 | 京ICP备19059560号-6 