我正在 TensorFlow 中进行矩阵分解，我想使用 Spicy.sparse 中的 coo_matrix，因为它使用的内存更少，并且可以很容易地将我的所有数据放入我的矩阵中以用于训练数据。
tensorflow中是否可以使用coo_matrix初始化变量？
或者我是否必须创建一个会话并使用 sess.run() 和 feed_dict 将我得到的数据输入到 tensorflow 中。
我希望你理解我的问题和我的问题否则发表评论，我会尽力解决它。
【问题讨论】：
标签： tensorflow sparse-matrix matrix-factorization
最接近的东西tensorflow必须在scipy.sparse.coo_matrix 987654322 @，这是tf.Tensor 987654323 @。它可能最容易进入coo_matrix进入您的程序。
a tf.SparseTensor是COO矩阵的轻微泛化，其中张量表示为三密度tf.Tensor对象：
indices：N 987654335 D 987654336 tf.int64 @ @ @ @ @ @ @ @ @ @ @ @的值，其中每行代表非零值的坐标。 N是非零的数量，而且@ 987654338是等效密度张量的等级（在矩阵的情况下2）。values：一个长度 - N version的矢量，其中元素i是indices 987654343 indices。dense_shape：D 987654345 tf.int64，表示等效的致密张量的形状。例如，您可以使用以下代码，该代码使用tf.sparse_placeholder()来定义您可以提供的@ 987654348 tf.SparseTensorValue表示正在馈送的实际值：
sparse_input = tf.sparse_placeholder(dtype=tf.float32, shape=[100, 100])
# ...
train_op = ...
coo_matrix = scipy.sparse.coo_matrix(...)
# Wrap `coo_matrix` in the `tf.SparseTensorValue` form that TensorFlow expects.
# SciPy stores the row and column coordinates as separate vectors, so we must
# stack and transpose them to make an indices matrix of the appropriate shape.
tf_coo_matrix = tf.SparseTensorValue(
indices=np.array([coo_matrix.rows, coo_matrix.cols]).T,
values=coo_matrix.data,
dense_shape=coo_matrix.shape)
一旦您转换了coo_matrix到了tf.SparseTensorValue，您可以直接使用tf.SparseTensorValue 987654354 @ @ / p>
sess.run(train_op, feed_dict={sparse_input: tf_coo_matrix})
【讨论】：
tf.SparseTensor的示例方法。您不必使用特定dtype或shape，您可以使用您的构造tf.SparseTensorValue（只要它具有兼容dtype和shape）。跨度>