Tensorflow Python API 翻譯（sparse_ops）

coderpai發表於2018-01-20

PythonAPI

作者：chen_h
微訊號 & QQ：862251340
微信公眾號：coderpai
我的部落格：請點選這裡

計劃現將 tensorflow 中的 Python API 做一個學習，這樣方便以後的學習。
原文連結

該章介紹有關稀疏張量的API

稀疏張量表示

對於多維稀疏資料，TensorFlow提供了稀疏張量表示。稀疏張量裡面的值都是採用IndexedSlices索引來表示，這樣能更加高效的表示資料。

class tf.SparseTensor

解釋：這個函式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介面中，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，那麼在進行操作之前，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，資料型別是int64，資料維度是[N, ndims]。
values: 一個一維的張量，資料型別是任意的，資料維度是[N]。
dense_shape: 一個一維的張量，資料型別是int64，資料維度是[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]複製程式碼

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])複製程式碼

那麼密集張量就是：

[[1, 0, 0, 0]
 [0, 0, 2, 0]
 [0, 0, 0, 0]]複製程式碼

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

解釋：這個函式的作用是構建一個SparseTensor。

輸入引數：

indices: 一個二維的張量，資料型別是int64，資料維度是[N, ndims]。
values: 一個一維的張量，資料型別是任意的，資料維度是[N]。
dense_shape: 一個一維的張量，資料型別是int64，資料維度是[ndims]。

輸出引數：
* 一個稀疏張量SparseTensor。

tf.SparseTensor.indices

解釋：這個函式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 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()複製程式碼

輸出引數：
* 一個二維的張量，資料型別是int64，資料維度是[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：這個函式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 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()複製程式碼

輸出引數：
* 一個一維的張量，資料型別是任意的。

tf.SparseTensor.dtype

解釋：這個函式的作用是返回張量中元素的型別。

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()複製程式碼

輸出引數：

返回張量中元素的型別。

tf.SparseTensor.shape

解釋：這個函式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 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()複製程式碼

輸出引數：

返回稀疏張量的維度。

tf.SparseTensor.graph

解釋：這個函式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 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()複製程式碼

輸出引數：

返回包含該稀疏張量的圖。

class tf.SparseTensorValue

解釋：這個函式的作用是檢視設定稀疏張量的值。

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()複製程式碼

tf.SparseTensorValue.indices

解釋：這個函式的作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()複製程式碼

輸出引數：

返回稀疏張量中值的存在位置。

tf.SparseTensorValue.shape

解釋：這個函式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 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()複製程式碼

輸出引數：

返回稀疏張量的維度。

tf.SparseTensorValue.shape

解釋：這個函式的作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，所以用sess.run()
sess.close()複製程式碼

輸出引數：

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：這個函式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]複製程式碼

預設情況下，dense中的填充值default_value都是0，除非該值被設定成一個標量。

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()複製程式碼

輸入引數：

sparse_indices: 一個Tensor，資料型別必須是int32或者int64。資料維度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，資料型別必須和sparse_indices相同。資料維度是一維，表示輸出密集張量的維度。
sparse_values: 一個Tensor，資料維度是一維，其中的每一個元素對應sparse_indices中座標的值。
default_value: 一個Tensor，資料型別必須和sparse_values相同，資料維度是一個標量。設定稀疏索引不指定的值。
name: （可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和sparse_values相同。密集張量的資料維度是output_shape。

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

解釋：這個函式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的資料維度是[3, 5]，非空值為：

[0, 1]: a
[0, 3]: b
[2, 0]: c複製程式碼

default_value值為x，那麼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]]複製程式碼

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()複製程式碼

輸入引數：

sp_input: 一個SparseTensor。
default_value: 資料維度是一個標量，設定稀疏索引不指定的值。
name: （可選）設定返回張量名稱的字首。

輸出引數：

一個密集張量，資料維度是sp_input.shape，密集張量裡面的值為sp_input中指定的值，沒有索引的值為default_value值。

異常：

型別錯誤: 如果sp_input不是一個SparseTensor，將報錯。

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

解釋：這個函式的作用是將稀疏張量SparseTensor的座標轉換成密集張量中的布林座標。

sp_input中的最後一維被丟棄，並且用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複製程式碼

output中其餘值為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複製程式碼

並且vocab_size = 200，那麼輸出output.shape = [2, 3, 200]，並且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).複製程式碼

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()複製程式碼

輸入引數：

sp_input: 一個SparseTensor，資料型別是int32或者int64。
vocab_size: sp_Input最後一維的新的維度，並且0 <= sp_input.shape > vocab_size。
name: （可選）設定返回張量名稱的字首。

輸出引數：

一個經過修改的密集布林張量。

異常：

型別錯誤: 如果sp_input不是一個SparseTensor，將報錯。

稀疏張量的操作

TensorFlow提供了一些對於稀疏張量的操作函式。

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

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

具體合併思路是，先將稀疏張量看成是一個密集張量，然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看成是一個稀疏張量。

輸入的資料中，SparseTensor的資料維度必須是相同的，並且indices，values和shapes的長度必須相同。

輸出資料的維度將由輸入資料的維度決定，除了需要合併的那一維度，這一維度是所有資料該維度的相加總和。

輸出張量中的元素將會被重新儲存在稀疏張量中，並且按照原來的順序進行排序。

這個操作的時間複雜度是O(M log M)，其中，M是輸入資料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"複製程式碼

那麼輸出資料為：

shape = [2, 7]
[0, 2]: "a"
[0, 4]: "d"
[0, 5]: "e"
[1, 0]: "b"
[1, 1]: "c"複製程式碼

用圖形表示，如下：

[    a] concat [  d e  ] = [    a   d e  ]
[b c  ]           [         ]     [b c          ]複製程式碼

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()複製程式碼

輸入引數：

concat_dim: 需要合併的維度。
sp_inputs: 一個需要合併的SparseTensor列表。
name: （可選）設定返回張量名稱的字首。

輸出引數：

一個經過合併的SparseTensor。

異常：

型別錯誤: 如果sp_inputs不是一個SparseTensor列表。

tf.sparse_reorder(sp_input, name=None)

解釋：這個函式的作用是將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複製程式碼

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

[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d複製程式碼

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()複製程式碼

輸入引數：

sp_input: 一個SparseTensor。
name: （可選）設定返回張量名稱的字首。

輸出引數：

一個SparseTensor，資料維度和資料型別都不變，只有其中的值進行了有序的排序。

異常：

型別錯誤: 如果sp_input不是一個SparseTensor。

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

解釋：這個函式的作用是保留SparseTensor中指定的非空元素。

比如，如果sp_input的資料維度是[4, 5]，並且擁有4個非空值如下：

[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d複製程式碼

而且to_retain = [True, False, False, True]，那麼最後輸出資料SparseTensor的資料維度是[4, 5]，並且保留兩個非空值如下：

[0, 1]: a
[3, 1]: d複製程式碼

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()複製程式碼

輸入引數：

sp_input: 一個SparseTensor，包含N個非空元素。
to_retain: 一個布林型別的向量，向量長度是N，並且其中包含M個True值。

輸出引數：

一個SparseTensor，資料維度和輸入資料相同，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：

型別錯誤: 如果sp_input不是一個SparseTensor。

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

解釋：這個函式的作用是將二維的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，那麼就將改行的座標[row, 0]填上default_value。

比如，我們假設sp_input的資料維度是[5, 6]，並且非空值如下：

[0, 1]: a
[0, 3]: b
[2, 0]: c
[3, 1]: d複製程式碼

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

[0, 1]: a
[0, 3]: b
[1, 0]: default_value
[2, 0]: c
[3, 1]: d
[4, 0]: default_value複製程式碼

請注意，輸入可能有空列在最後，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，並且輸出資料和輸入資料擁有相同的資料維度。

這個操作還會返回一個布林向量，其中的布林值，如果是True值，那麼表示該行新增了一個default_value，計算公式如下：

empty_row_indicator[i] = True iff row i was an empty row.複製程式碼

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()複製程式碼

輸入引數：

sp_input: 一個SparseTensor，資料維度是[N, M]。
default_value: 需要向空行填充的值，資料型別和sp_input相同。
name: （可選）設定返回張量名稱的字首。

輸出引數：

sp_ordered_output: 一個SparseTensor，資料維度是[N, M]，並且其中所有空行填充了default_value。
empty_row_indicator: 一個布林型別的向量，資料長度是N，如果該行填充了default_value，那麼該位置的布林值為True。

異常：

型別錯誤: 如果sp_input不是一個SparseTensor。

CoderPai 是一個專注於演算法實戰的平臺，從基礎的演算法到人工智慧演算法都有設計。如果你對演算法實戰感興趣，請快快關注我們吧。加入AI實戰微信群，AI實戰QQ群，ACM演算法微信群，ACM演算法QQ群。詳情請關注 “CoderPai” 微訊號（coderpai）。

Tensorflow Python API 翻譯（nn）
2019-02-16
PythonAPI
Tensorflow Python API 翻譯（array_ops）
2019-02-16
PythonAPI
Python 使用白嫖網易翻譯 API 進行翻譯
2020-04-11
PythonAPI
Tensorflow Python API 翻譯（math_ops）（第二部分）
2019-02-28
PythonAPI
Tensorflow Python API 翻譯（math_ops）（第一部分）
2019-03-02
PythonAPI
UIScrollView API 翻譯
2013-12-28
UIViewAPI
angular -- $route API翻譯
2014-07-17
AngularAPI
angular -- $routeParams API翻譯
2014-07-16
AngularAPI
Google翻譯的API
2008-03-25
GoAPI
【Python】Python利用有道翻譯開發API應用示例
2019-07-03
PythonAPI
使用google翻譯 api 翻譯中文成其他語言
2018-08-06
GoAPI
puppeteer 呼叫谷歌翻譯api
2024-04-22
谷歌API
Draft 文件翻譯 - API - ContentState
2021-09-09
RaftAPI
翻譯文字 API說明示例
2023-04-10
API
JSON API for WP 文件翻譯
2016-09-03
JSONAPI
Python 谷歌翻譯
2018-08-14
Python谷歌
[翻譯] 使用 TensorFlow 進行分散式訓練
2022-04-10
分散式
各平臺免費翻譯API
2019-01-22
API
WAT&SWAT API Documentation翻譯理解
2020-11-18
API
谷歌神經網路機器翻譯NMT：人人可利用TensorFlow快速建立翻譯模型
2018-01-28
谷歌神經網路模型
[翻譯] TensorFlow 分散式之論文篇 "Implementation of Control Flow in TensorFlow"
2022-03-15
分散式
爬蟲呼叫百度翻譯API
2019-01-14
爬蟲API
基於百度翻譯API開發屬於自己的翻譯工具
2014-12-12
API
[翻譯]使用 ICS KeyChain API（Using the ICS KeyChain API）
2018-10-02
AIAPI
Unity Networking API文件翻譯（二）：The High Level API
2015-12-16
UnityAPI
推薦個我在用的免費翻譯軟體，支援多家翻譯API整合
2022-04-13
API
Draft 文件翻譯 - 快速開始 - 基礎API
2021-09-09
RaftAPI
教你如何利用C#呼叫百度翻譯API實現一個翻譯功能
2021-07-13
C#API
Python heapq模組官方文件翻譯
2015-12-29
Python
python抓取百度翻譯
2024-03-25
Python
tensorflow dataset API
2020-12-18
API
[譯] 使用 Nexmo 和微軟語音翻譯 API 構建 Babel Fish
2018-09-01
微軟APIBabel
谷歌全attention機器翻譯模型Transformer的TensorFlow實現
2017-06-19
谷歌模型ORM
python爬蟲呼叫谷歌翻譯介面
2019-07-04
Python爬蟲谷歌
Making Games with Python & Pygame 中文翻譯
2020-12-08
GAMPython
python書的中文翻譯資源
2017-03-29
Python
[翻譯] TensorFlow 分散式之論文篇 "TensorFlow : Large-Scale Machine Learning on Heterogeneous Distributed Systems"
2022-03-12
分散式Mac
[譯]標準化Keras：TensorFlow 2.0中的高階API指南
2019-04-25
KerasAPI

Tensorflow Python API 翻譯（sparse_ops）

該章介紹有關稀疏張量的API

稀疏張量表示

稀疏張量與密集張量的轉換

稀疏張量的操作

相關文章