作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai
我的博客：请点击这里
计划现将 tensorflow 中的 Python API 做一个学习，这样方便以后的学习。
原文链接
稀疏张量表示
对于多维稀疏数据，TensorFlow提供了稀疏张量表示。稀疏张量里面的值都是采用IndexedSlices索引来表示，这样能更加高效的表示数据。
class tf.SparseTensor
解释：这个函数的作用是表示一个稀疏张量。
Tensorflow使用三个密集张量：indices，values，dense_shape，来表示一个稀疏张量。在Python接口中，这三个张量被整合到一个SparseTensor类中，如果你调换了这三个密集张量的位置，那么在进行操作之前，SparseTensor类会自动调换三个张量的位置。
具体的说，稀疏张量表示为SparseTensor(values, indices, dense_shape):
indices: 一个二维的张量，数据类型是int64，数据维度是[N, ndims]。values: 一个一维的张量，数据类型是任意的，数据维度是[N]。dense_shape: 一个一维的张量，数据类型是int64，数据维度是[ndims]。
其中，N表示稀疏张量中存在N个值，ndims表示SparseTensor的维度。
相应的密集张量满足：
dense.shape = dense_shape
dense[tuple(indices[i])] = values[i]
按照惯例，indices中的索引应该按照从小到大的顺序排序。SparseTensor中三个密集张量的顺序不是强制的，你可以乱序，SparseTensor会自动将它排序。
比如：
SparseTensor(values=[1, 2], indices=[[0, 0], [1, 2]], shape=[3, 4])
那么密集张量就是：
[[1, 0, 0, 0]
[0, 0, 2, 0]
[0, 0, 0, 0]]
tf.SparseTensor.__init__(indices, values, shape)
解释：这个函数的作用是构建一个SparseTensor。
输入参数：
indices: 一个二维的张量，数据类型是int64，数据维度是[N, ndims]。values: 一个一维的张量，数据类型是任意的，数据维度是[N]。dense_shape: 一个一维的张量，数据类型是int64，数据维度是[ndims]。
输出参数：
* 一个稀疏张量SparseTensor。
tf.SparseTensor.indices
解释：这个函数的作用是取出密集矩阵中非零值得索引。
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输出参数：
* 一个二维的张量，数据类型是int64，数据维度是[N, ndims]。其中，N表示在稀疏张量中非零值的个数，ndims表示稀疏张量的秩。
tf.SparseTensor.values
解释：这个函数的作用是取出密集矩阵中非零值。
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输出参数：
* 一个一维的张量，数据类型是任意的。
tf.SparseTensor.dtype
解释：这个函数的作用是返回张量中元素的类型。
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输出参数：
tf.SparseTensor.shape
解释：这个函数的作用是返回稀疏张量的维度。
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输出参数：
tf.SparseTensor.graph
解释：这个函数的作用是返回包含该稀疏张量的图。
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输出参数：
class tf.SparseTensorValue
解释：这个函数的作用是查看设置稀疏张量的值。
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
tf.SparseTensorValue.indices
解释：这个函数的作用是返回稀疏张量中值的存在位置。
使用例子：
import tensorflow as tf
import numpy as np
a = tf.SparseTensorValue(indices=[[4, 1], [1, 2]], values=tf.constant([1, 2]), shape=[3, 4])
sess = tf.Session()
print a.indices
sess.close()
输出参数：
tf.SparseTensorValue.shape
解释：这个函数的作用是返回稀疏张量的维度。
使用例子：
import tensorflow as tf
import numpy as np
a = tf.SparseTensorValue(values=tf.constant([1, 2]), indices=[[4, 1], [1, 2]], shape=[3, 4])
sess = tf.Session()
print a.shape
sess.close()
输出参数：
tf.SparseTensorValue.shape
解释：这个函数的作用是返回稀疏张量中的元素。
使用例子：
import tensorflow as tf
import numpy as np
a = tf.SparseTensorValue(values=tf.constant([1, 2]), indices=[[4, 1], [1, 2]], shape=[3, 4])
sess = tf.Session()
print sess.run(a.values)
sess.close()
输出参数：
稀疏张量与密集张量的转换
TensorFlow提供了稀疏张量与密集张量之间的转换操作。
tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None)
解释：这个函数的作用是将一个稀疏表示转换成一个密集张量。具体将稀疏张量sparse转换成密集张量dense如下：
dense[i] = (i == sparse_indices ? sparse_values : default_value)
dense[sparse_indices[i]] = sparse_values[i]
dense[sparse_indices[i][0], ..., sparse_indices[i][d-1]] = sparse_values[i]
默认情况下，dense中的填充值default_value都是0，除非该值被设置成一个标量。
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输入参数：
sparse_indices: 一个Tensor，数据类型必须是int32或者int64。数据维度0维，一维或者二维都可以，或者更加高纬度的sparse_indices[i]。output_shape: 一个Tensor，数据类型必须和sparse_indices相同。数据维度是一维，表示输出密集张量的维度。sparse_values: 一个Tensor，数据维度是一维，其中的每一个元素对应sparse_indices中坐标的值。default_value: 一个Tensor，数据类型必须和sparse_values相同，数据维度是一个标量。设置稀疏索引不指定的值。name: （可选）为这个操作取一个名字。
输出参数：
- 一个
Tensor，数据类型和sparse_values相同。密集张量的数据维度是output_shape。
tf.sparse_tensor_to_dense(sp_input, default_value, name=None)
解释：这个函数的作用是将一个稀疏张量SparseTensor转换成一个密集张量。
这个操作是一个便利的将稀疏张量转换成密集张量的方法。
比如，sp_input的数据维度是[3, 5]，非空值为：
[0, 1]: a
[0, 3]: b
[2, 0]: c
default_value值为x，那么输出的密集张量的维度是[3, 5]，具体的展示形式如下：
[[x a x b x]
[x x x x x]
[c x x x x]]
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输入参数：
sp_input: 一个SparseTensor。default_value: 数据维度是一个标量，设置稀疏索引不指定的值。name: （可选）设置返回张量名称的前缀。
输出参数：
- 一个密集张量，数据维度是
sp_input.shape，密集张量里面的值为sp_input中指定的值，没有索引的值为default_value值。
异常：
类型错误: 如果sp_input不是一个SparseTensor，将报错。
tf.sparse_to_indicator(sp_input, vocab_size, name=None)
解释：这个函数的作用是将稀疏张量SparseTensor的坐标转换成密集张量中的布尔坐标。
sp_input中的最后一维被丢弃，并且用sp_input在该位的值来代替，如果sp_input.shape = [D0, D1, D2, ..., Dn, K]，其中K是最后一维，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
output中其余值为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
并且vocab_size = 200，那么输出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).
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输入参数：
sp_input: 一个SparseTensor，数据类型是int32或者int64。vocab_size: sp_Input最后一维的新的维度，并且0 <= sp_input.shape > vocab_size。name: （可选）设置返回张量名称的前缀。
输出参数：
异常：
类型错误: 如果sp_input不是一个SparseTensor，将报错。
稀疏张量的操作
TensorFlow提供了一些对于稀疏张量的操作函数。
tf.sparse_concat(concat_dim, sp_inputs, name=None)
解释：这个函数的作用是将一系列的SparseTensor，按照指定的维度进行合并。
具体合并思路是，先将稀疏张量看成是一个密集张量，然后按照指定的维度进行张量合并，最后将合并成的密集张量看成是一个稀疏张量。
输入的数据中，SparseTensor的数据维度必须是相同的，并且indices，values和shapes的长度必须相同。
输出数据的维度将由输入数据的维度决定，除了需要合并的那一维度，这一维度是所有数据该维度的相加总和。
输出张量中的元素将会被重新保存在稀疏张量中，并且按照原来的顺序进行排序。
这个操作的时间复杂度是O(M log M)，其中，M是输入数据中所有非空元素的个数总和。
比如，当concat_dim = 1时：
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"
那么输出数据为：
shape = [2, 7]
[0, 2]: "a"
[0, 4]: "d"
[0, 5]: "e"
[1, 0]: "b"
[1, 1]: "c"
用图形表示，如下：
[ a] concat [ d e ] = [ a d e ]
[b c ] [ ] [b c ]
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输入参数：
concat_dim: 需要合并的维度。sp_inputs: 一个需要合并的SparseTensor列表。name: （可选）设置返回张量名称的前缀。
输出参数：
异常：
类型错误: 如果sp_inputs不是一个SparseTensor列表。
tf.sparse_reorder(sp_input, name=None)
解释：这个函数的作用是将SparseTensor中的元素进行重新排列，按照索引从小到大进行排序。
重排列不会影响SparseTensor的维度。
比如，如果sp_input的维度是[4, 5]，indices / values如下：
[0, 3]: b
[0, 1]: a
[3, 1]: d
[2, 0]: c
那么输出的SparseTensor的维度还是[4, 5] ，indices / values如下：
[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输入参数：
sp_input: 一个SparseTensor。name: （可选）设置返回张量名称的前缀。
输出参数：
- 一个
SparseTensor，数据维度和数据类型都不变，只有其中的值进行了有序的排序。
异常：
类型错误: 如果sp_input不是一个SparseTensor。
tf.sparse_retain(sp_input, to_retain, name=None)
解释：这个函数的作用是保留SparseTensor中指定的非空元素。
比如，如果sp_input的数据维度是[4, 5]，并且拥有4个非空值如下：
[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d
而且to_retain = [True, False, False, True]，那么最后输出数据SparseTensor的数据维度是[4, 5]，并且保留两个非空值如下：
import tensorflow as tf
import numpy as np
a = 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()
输入参数：
sp_input: 一个SparseTensor，包含N个非空元素。to_retain: 一个布尔类型的向量，向量长度是N，并且其中包含M个True值。
输出参数：
- 一个
SparseTensor，数据维度和输入数据相同，其中包含M个非空值，该值的位置根据True的位置来决定。
异常：
类型错误: 如果sp_input不是一个SparseTensor。
tf.sparse_fill_empty_rows(sp_input, default_value, name=None)
解释：这个函数的作用是将二维的SparseTensor中，将空的行中填充指定元素的值。
如果一行中不存在元素，那么就将改行的坐标[row, 0]填上default_value。
比如，我们假设sp_input的数据维度是[5, 6]，并且非空值如下：
[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d
因为在稀疏张量中，第一行和第四行中不存在值，那么我们需要在[1, 0]和[4, 0]坐标填上default_value，如下：
[0, 1]: a
[0, 3]: b
[1, 0]: default_value
[2, 0]: c
[3, 1]: d
[4, 0]: default_value
请注意，输入可能有空列在最后，但对这个操作没有任何影响。
输出的SparseTensor将是一个按照从小到大的顺序进行排序，并且输出数据和输入数据拥有相同的数据维度。
这个操作还会返回一个布尔向量，其中的布尔值，如果是True值，那么表示该行添加了一个default_value，计算公式如下：
empty_row_indicator[i] = True iff row i was an empty row.
使用例子：
import tensorflow as tf
import numpy as np
a = 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()
输入参数：
sp_input: 一个SparseTensor，数据维度是[N, M]。default_value: 需要向空行填充的值，数据类型和sp_input相同。name: （可选）设置返回张量名称的前缀。
输出参数：
sp_ordered_output: 一个SparseTensor，数据维度是[N, M]，并且其中所有空行填充了default_value。empty_row_indicator: 一个布尔类型的向量，数据长度是N，如果该行填充了default_value
，那么该位置的布尔值为True。
异常：
类型错误: 如果sp_input不是一个SparseTensor。
CoderPai 是一个专注于算法实战的平台，从基础的算法到人工智能算法都有设计。如果你对算法实战感兴趣，请快快关注我们吧。加入AI实战微信群，AI实战QQ群，ACM算法微信群，ACM算法QQ群。详情请关注 “CoderPai” 微信号（coderpai） 。
