Tensorflow Python API 翻譯（sparse_ops）

時間  2019-11-15
標籤 tensorflow python api 翻譯 sparse ops 欄目 Python 简体版
原文   原文鏈接

做者：chen_h
微信號 & QQ：862251340
微信公衆號：coderpai
個人博客：請點擊這裏python

計劃現將 tensorflow 中的 Python API 作一個學習，這樣方便之後的學習。
原文連接git

該章介紹有關稀疏張量的API

稀疏張量表示

對於多維稀疏數據，TensorFlow提供了稀疏張量表示。稀疏張量裏面的值都是採用IndexedSlices索引來表示，這樣能更加高效的表示數據。github

class tf.SparseTensor算法

解釋：這個函數的做用是表示一個稀疏張量。api

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，若是你調換了這三個密集張量的位置，那麼在進行操做以前，SparseTensor類會自動調換三個張量的位置。bash

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

  • 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。函數

相應的密集張量知足：學習

dense.shape = dense_shape
dense[tuple(indices[i])] = values[i]複製代碼

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，你能夠亂序，SparseTensor會自動將它排序。ui

好比：

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

那麼密集張量就是：

[[1, 0, 0, 0]
 [0, 0, 2, 0]
 [0, 0, 0, 0]]複製代碼

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

解釋：這個函數的做用是構建一個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：這個函數的做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 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()複製代碼

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：這個函數的做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 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()複製代碼

輸出參數：
* 一個一維的張量，數據類型是任意的。

tf.SparseTensor.dtype

解釋：這個函數的做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 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()複製代碼

輸出參數：

  • 返回張量中元素的類型。

tf.SparseTensor.shape

解釋：這個函數的做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 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()複製代碼

輸出參數：

  • 返回稀疏張量的維度。

tf.SparseTensor.graph

解釋：這個函數的做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 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()複製代碼

輸出參數：

  • 返回包含該稀疏張量的圖。

class tf.SparseTensorValue

解釋：這個函數的做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 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()複製代碼

tf.SparseTensorValue.indices

解釋：這個函數的做用是返回稀疏張量中值的存在位置。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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()複製代碼

輸出參數：

  • 返回稀疏張量中值的存在位置。

tf.SparseTensorValue.shape

解釋：這個函數的做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 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()複製代碼

輸出參數：

  • 返回稀疏張量的維度。

tf.SparseTensorValue.shape

解釋：這個函數的做用是返回稀疏張量中的元素。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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)  # 這是一個張量，因此用sess.run()
sess.close()複製代碼

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做。

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

解釋：這個函數的做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以下：

# 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]複製代碼

默認狀況下，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 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()複製代碼

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，一維或者二維均可以，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，其中的每個元素對應sparse_indices中座標的值。
  • 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）爲這個操做取一個名字。

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

這個操做是一個便利的將稀疏張量轉換成密集張量的方法。

好比，sp_input的數據維度是[3, 5]，非空值爲：

[0, 1]: a
[0, 3]: b
[2, 0]: c複製代碼

default_value值爲x，那麼輸出的密集張量的維度是[3, 5]，具體的展現形式以下：

[[x a x b x]
 [x x x x x]
 [c x x x x]]複製代碼

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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()複製代碼

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，密集張量裏面的值爲sp_input中指定的值，沒有索引的值爲default_value值。

異常：

  • 類型錯誤: 若是sp_input不是一個SparseTensor，將報錯。

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

解釋：這個函數的做用是將稀疏張量SparseTensor的座標轉換成密集張量中的布爾座標。

sp_input中的最後一維被丟棄，而且用sp_input在該位的值來代替，若是sp_input.shape = [D0, D1, D2, ..., Dn, K]，其中K是最後一維，那麼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複製代碼

output中其他值爲False。

好比，sp_input.shape = [2, 3, 4]，非空值以下：

[0, 0, 0]: 0
[0, 1, 0]: 10
[1, 0, 3]: 103
[1, 1, 2]: 112
[1, 1, 3]: 113
[1, 2, 1]: 121複製代碼

而且vocab_size = 200，那麼輸出output.shape = [2, 3, 200]，而且output中的值都是False，除了如下位置：

(0, 0, 0), (0, 1, 10), (1, 0, 103), (1, 1, 112), (1, 1, 113), (1, 2, 121).複製代碼

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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()複製代碼

輸入參數：

  • sp_input: 一個SparseTensor，數據類型是int32或者int64。
  • vocab_size: sp_Input最後一維的新的維度，而且0 <= sp_input.shape > vocab_size。
  • name: （可選）設置返回張量名稱的前綴。

輸出參數：

  • 一個通過修改的密集布爾張量。

異常：

  • 類型錯誤: 若是sp_input不是一個SparseTensor，將報錯。
稀疏張量的操做

TensorFlow提供了一些對於稀疏張量的操做函數。

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

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

具體合併思路是，先將稀疏張量當作是一個密集張量，而後按照指定的維度進行張量合併，最後將合併成的密集張量當作是一個稀疏張量。

輸入的數據中，SparseTensor的數據維度必須是相同的，而且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，除了須要合併的那一維度，這一維度是全部數據該維度的相加總和。

輸出張量中的元素將會被從新保存在稀疏張量中，而且按照原來的順序進行排序。

這個操做的時間複雜度是O(M log M)，其中，M是輸入數據中全部非空元素的個數總和。

好比，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"複製代碼

那麼輸出數據爲：

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

用圖形表示，以下：

[    a] concat [  d e  ] = [    a   d e  ]
[b c  ]           [         ]     [b c          ]複製代碼

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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()複製代碼

輸入參數：

  • concat_dim: 須要合併的維度。
  • sp_inputs: 一個須要合併的SparseTensor列表。
  • name: （可選）設置返回張量名稱的前綴。

輸出參數：

  • 一個通過合併的SparseTensor。

異常：

  • 類型錯誤: 若是sp_inputs不是一個SparseTensor列表。

tf.sparse_reorder(sp_input, name=None)

解釋：這個函數的做用是將SparseTensor中的元素進行從新排列，按照索引從小到大進行排序。

重排列不會影響SparseTensor的維度。

好比，若是sp_input的維度是[4, 5]，indices / values以下：

[0, 3]: b
[0, 1]: a
[3, 1]: d
[2, 0]: c複製代碼

那麼輸出的SparseTensor的維度仍是[4, 5] ，indices / values以下：

[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d複製代碼

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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()複製代碼

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: 若是sp_input不是一個SparseTensor。

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

解釋：這個函數的做用是保留SparseTensor中指定的非空元素。

好比，若是sp_input的數據維度是[4, 5]，而且擁有4個非空值以下：

[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d複製代碼

並且to_retain = [True, False, False, True]，那麼最後輸出數據SparseTensor的數據維度是[4, 5]，而且保留兩個非空值以下：

[0, 1]: a
[3, 1]: d複製代碼

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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()複製代碼

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，而且其中包含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: 若是sp_input不是一個SparseTensor。

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

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

若是一行中不存在元素，那麼就將改行的座標[row, 0]填上default_value。

好比，咱們假設sp_input的數據維度是[5, 6]，而且非空值以下：

[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d複製代碼

由於在稀疏張量中，第一行和第四行中不存在值，那麼咱們須要在[1, 0]和[4, 0]座標填上default_value，以下：

[0, 1]: a
[0, 3]: b
[1, 0]: default_value
[2, 0]: c
[3, 1]: d
[4, 0]: default_value複製代碼

請注意，輸入可能有空列在最後，但對這個操做沒有任何影響。

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

這個操做還會返回一個布爾向量，其中的布爾值，若是是True值，那麼表示該行添加了一個default_value，計算公式以下：

empty_row_indicator[i] = True iff row i was an empty row.複製代碼

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

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()複製代碼

輸入參數：

  • sp_input: 一個SparseTensor，數據維度是[N, M]。
  • default_value: 須要向空行填充的值，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]，而且其中全部空行填充了default_value。
  • empty_row_indicator: 一個布爾類型的向量，數據長度是N，若是該行填充了default_value，那麼該位置的布爾值爲True。

異常：

  • 類型錯誤: 若是sp_input不是一個SparseTensor。


CoderPai 是一個專一於算法實戰的平臺，從基礎的算法到人工智能算法都有設計。若是你對算法實戰感興趣，請快快關注咱們吧。加入AI實戰微信羣，AI實戰QQ羣，ACM算法微信羣，ACM算法QQ羣。詳情請關注 「CoderPai」 微信號（coderpai） 。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程