目录
1、类
1、__init__
2、性质
3、__div__
4、__mul__
5、__truediv__
6、consumers
7、eval
8、from_value
9、get_shape
2、函数
稀疏张量表示。
1、类
class SparseTensor：表示一个稀疏张量。
张量流将稀疏张量表示为三个独立的稠密张量:指标、值和dense_shape。在Python中，为了便于使用，这三个张量被收集到一个SparseTensor类中。如果有单独的指标、值和dense_shape张量，在传递到下面的ops之前，将它们包装在sparse张量对象中。具体来说，稀疏张量稀疏张量(指标、值、dense_shape)由以下分量组成，其中N和ndims分别是稀疏张量中的值和维数：
indices:一个dense_shape [N, ndims]的二维int64张量，它指定了稀疏张量中包含非零值的元素的索引(元素是零索引的)。例如，indexes =[[1,3]，[2,4]]指定索引为[1,3]和[2,4]的元素具有非零值。indices:任何类型的一维张量和dense_shape [N]，它为索引中的每个元素提供值。例如，给定指标=[[1,3]，[2,4]]，参数值=[18,3.6]指定稀疏张量的元素[1,3]取值为18，张量的元素[2,4]取值为3.6。- dense_shape: dense_shape [ndims]的一维int64张量，它指定稀疏张量的dense_shape。获取一个列表，该列表指示每个维度中的元素数量。例如，dense_shape=[3,6]指定一个二维的3x6张量，dense_shape=[2,3,4]指定一个三维的2x3x4张量，dense_shape=[9]指定一个包含9个元素的一维张量。
对应的稠密张量满足：
代码语言：javascript复制dense.shape = dense_shape
dense[tuple(indices[i])] = values[i]按照惯例，索引应该按行主顺序排序(或者等价于元组索引的字典顺序[i])。当构造稀疏张量对象时，这并不是强制的，但是大多数ops都假定正确的顺序。如果稀疏张量st的序错了，可以通过调用tf.sparse.reorder(st)得到一个固定的版本。例子：稀疏张量
代码语言：javascript复制SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4])代表密集张量：
代码语言：javascript复制[[1, 0, 0, 0]
[0, 0, 2, 0]
[0, 0, 0, 0]]1、__init__
代码语言：javascript复制__init__(
indices,
values,
dense_shape
)创建一个SparseTensor。
参数：
indices:一个二维int64张量的形状[N, ndims]。values:任意类型和形状的一维张量[N]。- dense_shape:形状的一维int64张量[ndims]。
2、性质
dense_shape
- 一个int64的一维张量，表示稠密张量的形状。
dtype
- 这个张量中元素的d型。
graph
- 包含索引、值和dense_shape张量的图。
indices
- 表示的稠密张量中非零值的指标。
返回值：
- 一个int64的二维张量，具有dense_shape [N, ndims]，其中N是张量中非零值的个数，ndims是秩。
op
- 将值作为输出产生的操作。
shape
- 得到表示稠密张量形状的张量形状。
返回值：
- 一个TensorShape对象。
value
- 表示的稠密张量中的非零值。
返回值：
- 任意数据类型的一维张量。
3、__div__
代码语言：javascript复制__div__(
sp_x,
y
)分量方向上把稀疏张量除以稠密张量。限制:此Op只向稀疏端广播稠密端，而不向相反方向广播。
参数：
- sp_indices: int64型张量。二维。N x R矩阵，在稀疏张量中有非空值的指标，可能不是正则有序的。
- sp_values:张量。必须是以下类型之一:float32、float64、int32、uint8、int16、int8、complex64、int64、qint8、quint8、qint32、bfloat16、uint16、complex128、half、uint32、uint64。一维。N个与sp_indices对应的非空值。
- sp_shape: int64类型的张量。一维。输入稀疏量的形状。
dense:张量。必须具有与sp_values相同的类型。r d。稠密张量操作数。- name:操作的名称(可选)。
返回值：
- 一个张量。具有与sp_values相同的类型。
4、__mul__
代码语言：javascript复制__mul__(
sp_x,
y
)分量方向上，稀疏张量乘以稠密张量。稀疏张量中隐式零元素对应的输出位置为零(即，不会占用存储空间)，而不管稠密张量的内容(即使它是 /-INF并且INF*0 == NaN)。限制:此Op只向稀疏端广播稠密端，而不向相反方向广播。
参数：
- sp_indices: int64型张量。二维。N x R矩阵，在稀疏张量中有非空值的指标，可能不是正则有序的。
- sp_values:张量。必须是以下类型之一:float32、float64、int32、uint8、int16、int8、complex64、int64、qint8、quint8、qint32、bfloat16、uint16、complex128、half、uint32、uint64。一维。N个与sp_indices对应的非空值。
- sp_shape: int64类型的张量。一维。输入稀疏量的形状。
dense:张量。必须具有与sp_values相同的类型。r d。稠密张量操作数。- name:操作的名称(可选)。
返回值：
- 一个张量。具有与sp_values相同的类型。
5、__truediv__
代码语言：javascript复制__truediv__(
sp_x,
y
)'sp_t / dense_t'的内部帮助函数。
6、consumers
代码语言：javascript复制consumers()7、eval
代码语言：javascript复制eval(
feed_dict=None,
session=None
)在一个会话中计算这个稀疏张量。调用这个方法将执行前面的所有操作，这些操作生成生成这个张量的操作所需的输入。注意:在调用SparseTensor.eval()之前，它的图形必须在一个会话中启动，并且要么默认会话必须可用，要么必须显式指定会话。
参数：
- feed_dict:映射张量对象以提供值的字典。有关有效提要值的描述，请参见tf.Session.run。
session:(可选)用来计算这个稀疏张量的过程。如果没有，则使用默认会话。
返回值：
- 一个SparseTensorValue对象。
8、from_value
代码语言：javascript复制@classmethod
from_value(
cls,
sparse_tensor_value
)9、get_shape
代码语言：javascript复制get_shape()得到表示稠密张量形状的张量形状。
返回值：
- 一个TensorShape对象。
2、函数
add(...): 加上两个张量，至少其中一个是稀疏张量。
concat(...): 沿指定维连接稀疏张量列表。(弃用参数)
cross(...): 从稀疏和稠密张量列表生成稀疏交叉。
cross_hashed(...): 从稀疏和稠密张量列表生成散列稀疏交叉。
expand_dims(...): 将维数1插入张量的形状中。
eye(...): 创建一个沿着对角线的二维稀疏张量。
fill_empty_rows(...): 用默认值填充输入二维稀疏张量中的空行。
from_dense(...): 将稠密张量转化为稀疏张量。
mask(...): 掩码indexedslice的元素。
maximum(...): 返回两个稀疏量中元素的最大值。
minimum(...): 返回两个稀疏量的元素明智的最小值。
reduce_max(...): 计算稀疏张量维上元素的最大值。
reduce_sum(...): 计算稀疏张量各维元素的和。
reorder(...): 将稀疏张量重新排序为正则的行主顺序。
reset_shape(...): 重置指标和值不变的稀疏张量的形状。
reshape(...): 重新构造稀疏张量，以新的密集形状表示值。
retain(...): 在稀疏张量中保留指定的非空值。
segment_mean(...): 沿着张量的稀疏段计算平均值。
segment_sqrt_n(...): 计算张量沿稀疏段的和除以根号N。
segment_sum(...): 沿着张量的稀疏段计算和。
slice(...): 根据起始点和大小切片一个稀疏张量。
softmax(...): 将softmax应用于一个批处理的N-D稀疏张量。
sparse_dense_matmul(...): 乘以稀疏张量(秩2)A由稠密矩阵B表示。
split(...): 沿着轴将稀疏张量分解为num_split张量。
to_dense(...): 将稀疏张量转换为稠密张量。
to_indicator(...): 将ids的稀疏张量转换为稠密的bool指示张量。
transpose(...): 转置一个SparseTensor。
