来自密集的Tensorflow的稀疏矩阵 [英] Sparse Matrix from a dense one Tensorflow

问题描述

我正在创建一个卷积稀疏自动编码器，并且我需要将一个充满了值（其形状为 [samples，N，N，D] ）的4D矩阵转换为稀疏矩阵。

对于每个样本，我都有D NxN个特征映射。我想将每个NxN特征映射转换为一个稀疏矩阵，最大值映射为1，所有其他映射为0.

我不想这样做运行时间，但在Graph声明期间（因为我需要使用生成的稀疏矩阵作为其他图操作的输入），但我不明白如何获得索引来构建稀疏矩阵。

解决方案

您可以使用 tf.where 和 tf.gather_nd
pre $ 导入numpy为np
导入tensorflow为tf

＃从常量
a = np.reshape（np.arange（24），（3,4,2））中生成一个张量
a_t = tf.constant（a）
＃Find张量不为零的指数
idx = tf.where（tf.not_equal（a_t，0））
＃使稀疏张量
＃使用tf.shape（a_t，out_type = tf .int64）而不是a_t.get_shape（）
＃如果张量形状是动态的
sparse = tf.SparseTensor（idx，tf.gather_nd（a_t，idx），a_t.get_shape（））
＃从稀疏的一个返回一个密集的张量，只检查结果是否正确
dense = tf.sparse_tensor_to_dense（sparse）
＃用tf.Session（）作为sess检查结果
：
b = sess.run（dense）
np.all（a == b）
>>>真





I am creating a convolutional sparse autoencoder and I need to convert a 4D matrix full of values (whose shape is [samples, N, N, D]) into a sparse matrix.

For each sample, I have D NxN feature maps. I want to convert each NxN feature map to a sparse matrix, with the maximum value mapped to 1 and all the others to 0.

I do not want to do this at run time but during the Graph declaration (because I need to use the resulting sparse matrix as an input to other graph operations), but I do not understand how to get the indices to build the sparse matrix.

解决方案

You can use tf.where and tf.gather_nd to do that:

import numpy as np
import tensorflow as tf

# Make a tensor from a constant
a = np.reshape(np.arange(24), (3, 4, 2))
a_t = tf.constant(a)
# Find indices where the tensor is not zero
idx = tf.where(tf.not_equal(a_t, 0))
# Make the sparse tensor
# Use tf.shape(a_t, out_type=tf.int64) instead of a_t.get_shape()
# if tensor shape is dynamic
sparse = tf.SparseTensor(idx, tf.gather_nd(a_t, idx), a_t.get_shape())
# Make a dense tensor back from the sparse one, only to check result is correct
dense = tf.sparse_tensor_to_dense(sparse)
# Check result
with tf.Session() as sess:
    b = sess.run(dense)
np.all(a == b)
>>> True

这篇关于来自密集的Tensorflow的稀疏矩阵的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！